本研究提出了一种名为“规模高效训练（SeTa）”的新方法，旨在解决大规模数据集训练中低价值样本导致的效率低下问题。SeTa通过动态样本剪枝和分层学习策略，能够在减少训练时间的同时保持或提升模型性能，最高可减少训练成本达50%。