最近，哈佛大学、斯坦福大学等机构的研究人员联合发布了一项研究，指出模型训练中的精度（即用多少比特表示数字）对模型性能的影响比人们之前认为的更为重要。这项研究不仅重新定义了规模化法则的关键因素，还对未来AI模型的训练方式和硬件发展提出了新的见解。
研究显示，过往的规模化法则主要关注参数数量和训练数据量，而忽略了精度的影响。团队通过大量实验证明，精度不仅是影响模型性能的核心变量，还可以显著改变计算资源的效率。
研究团队进行了465次训练实验，模型的精度范围从3到16比特不等，并测试了在训练后对模型进行量化（降低精度）的效果。实验模型的参数数量高达1.7亿，训练数据量达到260亿标记。这些测试让研究人员得以系统性地分析精度对模型训练和性能的深远影响。
实验结果揭示了一个重要现象：“过度训练”的模型对量化更加敏感。当模型训练标记数量与参数数量的比值远高于被认为“最优”的20（即Chinchilla-optimal值），其在训练后被量化时性能下降更为明显。此外，随着训练数据的增加，量化后的性能劣化也随之加剧。研究人员指出，额外的数据训练在某些情况下反而会放大量化误差，对模型性能产生负面影响。
基于实验结果，研究团队提出了新的规模化法则，将精度纳入模型训练优化的核心要素。研究发现，在优化参数数量、数据量和精度时，使用7到8比特的精度通常是计算资源的最佳选择。传统的16比特精度在许多场景下是资源浪费，而4比特精度尽管节省资源，但需要大幅增加模型规模才能维持性能，得不偿失。
然而，研究还指出，当模型规模固定时，较大的模型（如16比特训练的Llama 3.1 8B）需要更高的精度才能避免性能损失。这也反映出低精度计算方法的局限性在一定程度上依赖于硬件支持，目前的研究尚未验证这种趋势在超大规模模型中的适用性，但初步结果令人信服。
对于这项研究的意义，卡内基梅隆大学和Allen AI的研究员Tim Dettmers高度评价，称其为“近期最重要的研究之一”。他指出，这项工作表明低精度训练方法的效率提升空间正在逐渐耗尽，尤其是对于像Llama 3.1这种拥有4050亿参数的大模型。Dettmers认为，这可能预示着AI行业将从单纯的规模化转向更专注于人类应用和定制化模型的方向，例如通过知识蒸馏或开发行业专用模型来提升效率。
这项研究不仅改变了人们对精度在AI模型训练中角色的理解，也提出了未来模型设计的新方向。随着硬件对低精度计算的支持逐步提升，这些新法则可以帮助开发者在模型大小、数据量和精度之间找到更高效的平衡点。未来，AI行业或许将告别单纯追求“更大更强”的模式，转而关注模型的实际效能与应用价值。