精选理由
这篇论文解决了深度学习优化器忽视架构对称性的根本问题，做大规模语言模型预训练的团队值得关注——它可能成为替代AdamW的新范式，实验显示能稳定提升损失和训练稳定性。
这篇论文提出了一种对称性兼容的优化器设计原则，要求梯度更新规则在参数块的对称群作用下保持等变性。作者首先统一了双正交等变更新（如Muon、Scion等方法）的视角，然后针对嵌入层、语言模型头、SwiGLU MLP投影和MoE路由器矩阵等具有不同对称性的参数块，推导了相应的对称性兼容优化器（如单边谱、行范数、混合行范数/谱等更新）。通过在Qwen3-0.6B、Gemma 3 1B、OLMoE-1B-7B等架构上的预训练实验，验证了该方法相比AdamW能持续改善验证损失和训练稳定性。这项工作为不同参数类型提供了端到端的层级优化器栈，使更新规则与参数块的对称性相匹配。
AI 翻译 · 中文
这篇论文提出了一种对称性兼容的优化器设计原则，要求梯度更新规则在参数块的对称群作用下保持等变性。作者首先统一了双正交等变更新（如Muon、Scion等方法）的视角，然后针对嵌入层、语言模型头、SwiGLU MLP投影和MoE路由器矩阵等具有不同对称性的参数块，推导了相应的对称性兼容优化器（如单边谱、行范数、混合行范数/谱等更新）。通过在Qwen3-0.6B、Gemma 3 1B、OLMoE-1B-7B等架构上的预训练实验，验证了该方法相比AdamW能持续改善验证损失和训练稳定性。这项工作为不同参数类型提供了端到端的层级优化器栈，使更新规则与参数块的对称性相匹配。
A striking geometric disparity has long persisted in the practice of deep learning. While modern neural network architectures naturally exhibit rich symmetry and equivariance properties, popular optimizers such as Adam a…