CDS：工业短视频排序的无参数扩展策略

2026年10月14日，arXiv Artificial Intelligence 刊出 Zhimeng Jiang 等作者的论文，提出 Chain Dimension Scaling（CDS）扩展策略，用于工业推荐排序模型向数十亿参数扩展时面临的参数增长、分布式通信开销和训练低效问题。CDS 通过重复应用参数共享的单一特征交互块，把迭代次数（链长）变成不增加参数的新扩展维度，与宽度、深度扩展正交。论文给出两种情形：在压缩情形下，浅块配更长链可匹配更深基线，参数更少、训练更快，离线质量与基线差距在0.03%以内，可训练参数减少26.6%，训练吞吐提升6.4%，线上参与度为中性至正向；在质量扩展情形下，固定参数预算内增加链长可带来一致的离线和线上收益，质量随链长单调提升。墙钟分析显示，效率提升主要来自跨设备同步开销降低和优化器更新成本减少，而非 FLOPs 减少。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。