/ CS336

[CS336-11] Scaling 实践细节

整理 CS336 第十一讲：muP、WSD learning rate、MiniCPM、DeepSeek、LLaMA 3 等 scaling 实践 recipe。

2025年5月6日4 minCS336 · Scaling · muP

这篇是 Stanford CS336 Spring 2025 第 11 讲 Course Materials 的学习笔记。它从 scaling laws 的基本思想进入实践细节：怎么真正用小实验设计大模型。

1. Scaling 的现实问题#

第 9 讲说明 scaling laws 可以预测大规模训练，但实际落地还有很多问题：学习率是否随模型变、batch 如何选、Chinchilla 式拟合是否太贵、架构和参数化是否会破坏外推。

第 11 讲通过 CerebrasGPT、MiniCPM、DeepSeek、LLaMA 3、Hunyuan、MiniMax 等案例讨论这些问题。

Maximum update parametrization，也就是 muP，试图让超参数在 width scaling 时更稳定。它希望不同宽度模型在初始化和一次更新后的 activation scale 保持可比。

如果做得到，就可以在小模型上调学习率、初始化等超参数，然后迁移到更大模型。

这对大模型训练很有吸引力，因为大模型调参成本极高。

CerebrasGPT 使用 Chinchilla recipe 并结合 muP，希望获得更可预测的 scaling 行为。

MiniCPM 则是更细致的实践案例：使用 muP 稳定初始化和学习率，固定 aspect ratio，然后通过小模型实验拟合 batch、LR、token-to-parameter ratio 等。

这些案例说明 scaling 不只是拟合 loss 曲线，也包括让实验设置本身可迁移。

Chinchilla 风格分析往往需要从头训练许多不同数据量和模型大小的组合，成本很高。

WSD schedule 把学习率分成 warmup、stable、decay 三段。稳定阶段可以让训练持续收集中间点，最后从 stable 阶段分叉进入 decay，从而降低拟合不同 token budget 的成本。

这是一种很工程化的 scaling trick：不是改变理论，而是让实验设计更便宜。

Lecture 11 提到一些近年模型使用了比 Chinchilla 20 tokens per parameter 更高的数据比例。例如 LLaMA 3 等模型使用更多 tokens 训练相对较小模型。

原因之一是现实部署中 inference 成本很重要。如果一个模型会被大量调用，训练时多花一些 compute，把模型做得更小更强，可能降低长期总成本。

因此 compute-optimal 不只有训练 compute 版本，也有考虑部署频率的版本。

课程也强调 muP 的局限。现代 Transformer 有 SwiGLU、RMSNorm gains、不同 batch size、特殊 initialization、weight decay、不同 optimizer 等组件，未必完全满足简化理论假设。

经验上 muP 常常有用，但也可能被某些设计打破。因此 scaling 实践需要同时依赖理论、ablation 和实际 loss 曲线。

第 11 讲的核心是：scaling laws 要变成训练 recipe，还需要一整套实验工程。