JoBS贝叶斯优化联合优化LLM训练配置

2026年10月30日，arXiv人工智能板块发布论文，提出JoBS——一种基于贝叶斯优化的方法，可在不进行完整训练的情况下联合优化大语言模型（LLM）的数据与模型配置。据该论文，JoBS先用部分预算学习受缩放定律启发的性能预测器，从少量训练步估计完整训练后的性能，剩余预算用于贝叶斯优化搜索，并推导了预测器学习与BO迭代之间的最优预算分配。论文称，在多种下游任务上，JoBS优于独立优化数据与模型的方法及现有多保真度BO基线。目前该事件仅有这一篇主报道，尚无跟进报道或相互矛盾的数字与说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。