近日Meta旗下人工智能研究院（FAIR）推出全新AI研究偏好模型（RPMs），可在机器学习实验执行前对候选方案完成优先级排序，无需额外训练即可将AIRS-Bench基准测试得分从0.684提升至0.729，有效减少无效实验的GPU算力浪费，为大模型研发等高密度算力需求场景提供了新的效率优化路径。
当下AI研发领域的算力竞争已经进入白热化阶段，单轮大模型微调、新架构验证等机器学习实验，往往需要消耗数十甚至上百张A100显卡的小时算力，而据行业统计，AI研发团队跑通的有效实验占比平均不足40%，超过六成的GPU算力都消耗在了预期效果不达标的无效方案上，算力浪费已经成为制约研发效率的核心瓶颈。
2026年全球AI算力需求同比涨幅达到127%，高端GPU的供需缺口仍维持在30%以上，不管是头部科技企业还是初创AI团队，都在探索降低无效算力消耗的可行路径。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号