该论文提出了一种名为“近无限批量大小缩放”（NIBS）的方法，旨在解决对比学习模型的内存限制。通过将损失计算与梯度更新的数据解耦，研究者实现了更大的有效批量大小，从而显著提升了多项基准任务的性能，为处理更大、更复杂的数据集提供了新机遇。