本文详细解析了Transformer模型的训练配方，包括超参数选择、warmup的重要性、学习率公式设计、dropout和label smoothing的应用。通过对比2017年与现代大模型的训练方法，指出核心训练策略基本保持不变，这些细节对于复现原论文的BLEU分数至关重要。

本文探讨了Muon优化器在大规模LLM训练中的应用，重点分析了如何将Adam的Update RMS调整至0.2。实验结果显示，Adam的Update RMS在训练过程中保持在0.2至0.3之间，并探讨了其理论基础。模拟结果表明，Update RMS与超参数β1呈正相关，并与信噪比相关。最后，提出了一种通用的估计方法以理解Update RMS的行为。

斯坦福大学CS336课程探讨了大语言模型的扩展法则，重点介绍了MUP方法在模型训练中的应用。MUP通过调整超参数，确保模型扩展时学习率稳定，简化了超参数调优。课程还分析了Cerebrus GPT、MiniCPM和DeepSeek等模型的扩展策略，强调批量大小和学习率的重要性，并通过实验验证这些理论。

本研究提出了一种新方法，解决大型语言模型的幻觉和过时知识问题，分析超参数对检索增强生成（RAG）系统的影响，发现最佳超参数组合能提高响应速度并保持高检索准确性，为临床决策支持等应用提供重要参考。

本研究提出了DualOptimizer，通过自适应学习率和解耦动量因子，解决了现有机器遗忘方法在超参数上的敏感性问题。实验证明，该方法显著提高了机器遗忘的有效性和稳定性，适用性广泛。

本研究提出了一种通用的超参数缩放法则，解决了大型语言模型的超参数优化问题。研究发现，最佳学习率与模型参数和数据规模呈幂律关系，而批次大小主要与数据规模相关。这为模型性能优化提供了有效工具。

本研究提出了一种针对NAdamW的超参数设置方法，旨在资源有限的情况下有效优化神经网络。实验结果表明，该方法在AlgoPerf基准上优于传统方法，解决了深度学习中的超参数调优问题。

本文提出了一种新方法，解决了在缺乏目标模型超参数知识时的成员推断攻击（MIA）局限性。通过匹配目标模型与影子模型的输出分布来选择影子模型的超参数，实现了几乎无差异的攻击性能。此外，研究表明，差分隐私转移学习中未考虑的隐私风险对MIA脆弱性影响不大。

本文提出了一种自动化模型合并框架，克服了手动设计超参数合并策略的局限性。该框架利用多保真近似方法，支持单目标和多目标优化，能够在有限计算成本下自动发现有效的合并方案。

本研究提出了一种自适应法则基础转化（ALT）方法，旨在解决传统时间序列分类在处理复杂数据时的挑战。ALT通过可变长度时间窗口有效捕获特征模式，保持少量超参数，从而实现先进的分类性能。