Bilanz der Quelle: Ein Team von Moonshot AI hat demonstriert, wie der Muon-Optimierer durch Anpassungen wie Weight Decay effektiv auf große Modelle skaliert werden kann. Dies führt zu einer etwa doppelt so hohen Recheneffizienz im Vergleich zu AdamW. Auf dieser Grundlage wurde das Mixture-of-Experts-Modell Moonlight mit 3B/16B Parametern veröffentlicht.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
