Eğitim Öncesi Veri Ölçeği Muon-AdamW İnce Ayar Farkını Tersine Çeviriyor

Özetle: Muon yakın zamanda büyük dil modellerinin ön eğitimi için umut verici bir optimize edici olarak ortaya çıktı ve ön eğitim kaybını en aza indirmede AdamW'a göre bir hızlanma sunuyor.

Özet

Muon yakın zamanda büyük dil modellerinin ön eğitimi için umut verici bir optimize edici olarak ortaya çıktı ve ön eğitim kaybını en aza indirmede AdamW'a göre bir hızlanma sunuyor. Ancak ince ayar sonrasında Muon'un avantajının devam edip etmediği belirsizliğini koruyor. Bu yazıda, Muon ve AdamW'nin aşağı yönlü davranışlarını inceliyoruz ve şaşırtıcı bir eğilimi ortaya çıkarıyoruz: Yeterince büyük bir eğitim öncesi veri bütçesinin ötesinde AdamW, ince ayar sonrasında Muon'dan daha iyi performans gösteriyor. Dahası, model boyutu arttıkça AdamW, giderek daha küçük ön eğitim belirteç-parametre oranlarıyla Muon'u geride bırakıyor. Bu tersine dönüşü açıklamak için, ince ayarı çıktıların bir bozulması olarak görüyoruz ve marj-yayılma oranını tanıtıyoruz; bu oran, yanlış logitlerin ne kadar geniş bir alana yayıldığına bağlı olarak doğru logitin yanlış logitlerin üzerinde ne kadar uzakta olduğunu ölçer. Dil modellerinde Muon, küçük veri bütçelerinde daha büyük marj-yayılma oranına sahiptir ve büyük veri bütçelerinde AdamW, ince ayar eğilimini yansıtır. Doğrusal bir ilişkisel bellekte, bir güncellemeden sonra, veri bütçesi büyüdükçe gradyan iniş kazanımlarının marj-yayılma oranının Muon'unkine göre arttığını kanıtlıyoruz ve simülasyonlar, bu eğilimin uzun süreli eğitimden sonra da devam ettiğini gösteriyor.

Orijinal Özet (İngilizce)

Muon has recently emerged as a promising optimizer for pretraining large language models, offering a speedup over AdamW in minimizing pretraining loss. However, it remains unclear whether Muon's advantage persists after fine-tuning. In this paper, we study the downstream behavior of Muon and AdamW and uncover a surprising trend: beyond a sufficiently large pretraining data budget, AdamW outperforms Muon after fine-tuning. Moreover, as model size increases, AdamW overtakes Muon at progressively smaller pretraining token-parameter ratios. To explain this reversal, we view fine-tuning as a perturbation of the outputs and introduce the margin-to-spread ratio, which measures how far the correct logit lies above the wrong ones relative to how widely the wrong logits are spread. In language models, Muon has the larger margin-to-spread ratio at small data budgets and AdamW at large ones, mirroring the fine-tuning trend. In a linear associative memory, we prove that after one update the margin-to-spread ratio of gradient descent gains on that of Muon as the data budget grows, and simulations show that this trend persists after extended training.

Kaynak: arXiv:2611.03633 · PDF