热点事件持续更新
Marin开源Delphi套件并详解scaling law公式
2 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月27日，Marin 作者 dlwh 在 scaling law 讨论线程中详解简化拟合公式 loss = E + A·compute^(-alpha)，其中 E 是 loss 的渐近下限，A 是尺度，alpha 是斜率。dlwh 指出，难点在于小模型 loss 仍远高于下限时，需要同时估计这个下限本身；做法是用同一 recipe 训练一梯子小模型、测 held-out loss，并在不同训练进度拟合曲线来预测大模型全程轨迹。同日，Marin 团队发布首个开放 scaling 套件 Delphi，包含 scaling recipe、在 TPU Research Cloud 上训练的模型套件，以及用小模型预测大模型的 scaling law；团队称外推 300 倍预测 loss 误差仅 0.2%。
AI 根据报道生成 · 2 小时前更新
最新进展10月27日 01:59
Marin发布首个开放scaling套件Delphi，称外推300倍预测loss误差仅0.2%。事件进展
2 个进展
- 10月27日 01:59 · 1 篇报道Marin作者详解scaling law拟合公式AGI Hunt：Marin 作者详解 scaling law 公式：难点在小模型阶段估渐近线
- 10月27日 01:59 · 1 篇报道Marin开源Delphi缩放套件，外推300倍误差0.2%AGI Hunt：Marin 开源 scaling 套件 Delphi，外推 300 倍预测 loss 误差仅 0.2%
报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- AGI HuntMarin 开源 scaling 套件 Delphi，外推 300 倍预测 loss 误差仅 0.2%
Marin 团队发布首个开放 scaling 套件 Delphi，包含 scaling recipe、在 TPU Research Cloud 上训练的模型套件，以及用小模型预测大模型的 scaling law。
- AGI HuntMarin 作者详解 scaling law 公式：难点在小模型阶段估渐近线
Marin 作者 dlwh 在 scaling law 线程中给出简化拟合公式 loss = E + A·compute^(-alpha)，其中 E 是 loss 的渐近下限，A 是尺度，alpha 是斜率。难点在于小模型 loss 仍远高于下限时，需要同时估计这个下限本身。做法是用同一 recipe 训练一梯子小模型、测 held-out loss，并在不同训练进度拟合曲线来预测大模型全程轨迹。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。