公开基准仅反映模型最优表现，无法保证生产环境中的稳定准确。Nebius的Wang建议结合内部基准与真实工作流评估开源模型，并关注整个推理栈，包括缓存命中率、吞吐与并发、P95/P99延迟和首字延迟。模型并非越大越好，应平衡精度与规模，必要时拆分任务或微调小模型。

在数据受限的语言预训练中，比较了超参数调优与双语数据混合两种策略。以阿拉伯语为目标语言、英语为辅助语言，进行了约千次实验，模型规模从150M到1.43B。结果表明，数据混合优于超参数调优，其效果相当于2–3倍的目标语言数据，在下游任务上提升2–13倍，且优势随模型规模增大而增强。建议优先混合高资源语言并调整混合比例。

深度学习中的缩放法则表明，训练损失随着模型规模、数据集规模和计算量的增加而降低，遵循幂律关系。这一规律有助于优化计算资源在模型和数据之间的分配。研究显示，模型大小与数据量的最佳比例对性能提升至关重要。Kaplan和Chinchilla的研究结果存在分歧，前者建议模型增长速度应快于数据，后者则认为两者应同步增长。

GPT-2模型通过在大量文本上训练，仅预测下一个单词，展现出多任务能力，无需特定任务训练。这一方法标志着从监督学习向零-shot学习的转变，使模型能够在不同任务中进行泛化。研究表明，模型规模和数据量的增加有助于提升性能，推动了现代语言模型的发展。

随着模型规模的扩大，存储架构优化变得至关重要。超过700GB的模型权重对数据传输速度提出了挑战，导致延迟和成本增加。高性能的NFS和对象存储可以显著提高模型加载速度，减少冷启动时间，提升GPU利用率。通过优化存储和网络，确保GPU高效计算，避免资源浪费。

生成式推荐作为新兴推荐系统，提升了推荐多样性和复杂语义处理能力。京东九数算法团队开发的9N-LLM统一训练引擎，支持多框架和硬件，解决了训练效率和模型规模问题，推动生成式推荐的实际应用。该引擎通过优化样本处理、稀疏参数计算和强化学习流程，提高了训练效率和效果。

在有限显存下，运行大型语言模型需平衡模型规模、量化精度和上下文长度。显存需求受模型参数、上下文缓存和系统开销影响，增加上下文长度会迅速消耗显存。选择合适的量化格式可提升性能。

本文提出了一种基准目标排名方法（BETR），通过比较预训练文档与基准训练示例的相似性来优化数据选择。BETR在共享空间中嵌入基准示例和预训练文档，利用相似性评分训练轻量级分类器。研究表明，BETR在多个任务上显著提升性能，且更大的模型需要更少的过滤，强调数据选择策略需适应模型规模。

阶跃星辰研究团队训练了3700个大语言模型，发现超参数优化的新规律（Step Law），并开源相关工具和数据。研究表明，最优学习率和批量大小与模型和数据规模呈幂律关系，适用性广泛。

研究发现，大型语言模型（LLM）具备知识意识，能够评估自身对某一主题的掌握程度。模型规模越大，性能越好，但数据集过大可能导致性能下降。不同架构的模型表现差异明显，Flan-T5在简化设置下表现优异，但在标准设置中效果不佳。总体而言，LLM在足够规模下展现出知识意识。

本研究总结探讨了大型语言模型（LLM）随着规模增长而提升性能的情况。通过聚类分析模型行为，研究关注模型大小与下游能力的关系，旨在预测实际性能和扩展模式。

研究表明，扩大词汇量能提升语言模型性能。采用“过度分词”策略优于传统方法，且随着模型规模增大，词汇扩展的好处也随之增加。该方法提高了20%的训练速度，且质量保持不变，适用于多种语言和任务。