进行中
Hugging Face 研究:微调时长预测误差大幅降低
- 报道
- 1
- 信源
- 1
- 首次报道
- 11/19 02:53
- 最近更新
- 11/19 02:53
Hugging Face 用 272 个生产环境 SFT 任务(约 7,382 GPU 小时、NVIDIA H200)对比发现,传统 FLOP 估算仅达 R²=0.31、MAE 12.41 小时;仅用调度前信息的 CatBoost 回归器在 5 折交叉验证下达到 R²=0.98、MAE 1.71 小时。 该结果来自 Hugging Face 的一手研究,针对的是微调任务时长预测,而非全部训练任务。Dharma-AI 此前预告将发布端到端微调时长预测论文,但上述数据并非该论文的结论。
热度48 小时内每个独立信源只算一次,24 小时减半
- 48 小时参与信源
- 1
- 6 小时新加入
- 0
- 24 小时新报道
- 1
- 热点排名
- —
热度曲线会在事件持续一段时间后出现。
事件进展1 个阶段
Hugging Face Blog 等 1 篇报道
官方一手信息1 篇
Hugging Face 研究:为什么你的微调任务比 FLOPs 估算慢这么多
Hugging Face 用 272 个生产环境 SFT 任务(约 7,382 GPU 小时、NVIDIA H200)对比发现,传统 FLOP 估算仅达 R²=0.31、MAE 12.41 小时,而仅用调度前信息的 CatBoost 回归器在 5 折交叉验证下达到 R²=0.98、MAE 1.71 小时。
Hugging Face Blog一手
全部报道1 篇
Hugging Face 研究:为什么你的微调任务比 FLOPs 估算慢这么多
Hugging Face 用 272 个生产环境 SFT 任务(约 7,382 GPU 小时、NVIDIA H200)对比发现,传统 FLOP 估算仅达 R²=0.31、MAE 12.41 小时,而仅用调度前信息的 CatBoost 回归器在 5 折交叉验证下达到 R²=0.98、MAE 1.71 小时。
Hugging Face Blog一手
相关
#Hugging Face#部署工程#数据与训练#论文研究
