本文探讨大模型训练中算力分配的核心问题：模型参数与训练数据应如何配比。Kaplan 研究建议偏重模型规模，而 Chinchilla 研究通过三种方法证明两者应等比例增长，并指出前者因学习率调度设计缺陷导致结论偏差。文章还讨论了推理成本、数据受限等现实约束对最优配比的影响，以及相关复现争议。

How contribution decisions shape the sustainability of the PostgreSQL ecosystem Last week at PGConf.DE, I gave a talk titled Not Just Altruism: Selling PostgreSQL Contributions to Your...

A Journey Through PostgreSQL Events • Introduction • Community recognition (transparency, inclusivity, organisational balance) • If I organise a PostgreSQL event — does it have to be...

Contributing to open source PostgreSQL — Blurring the Line Between Mine and Ours Reflections on Meaning, Growth, and Community in Open Source As the biggest PostgreSQL community...

本研究解决了在严格隐私法规下共享敏感医疗数据的挑战，提出了一种基于多方同态加密的隐私保护联邦Kaplan-Meier生存分析框架。新方法确保加密的联邦生存估计与集中结果高度一致，并通过实验验证了其在多个数据集上表现出色，具有较小的均绝对误差和均方根误差，展现出在保护数据隐私和实现高保真生存估计方面的显著潜力。