Skip to content
Hot eventLive

大规模推荐系统有效训练时间优化研究

1 reports1 sources7 hr ago updated

Get the story

AI overview

大规模推荐训练中生命周期开销导致仅 50-60% 的端到端时间用于新数据训练。作者提出覆盖全训练栈的优化方案，包括通信消除、管道重叠、动态形状处理、自动调优剪枝、可复用 PyTorch 2 编译缓存、异步检查点、独立模型发布和恢复成本降低。ETT% 在每个 benchmark 上平均提升 15.5%，最大工作负载达 85%，全集群从约 80% 提升至 90% 以上。

Generated from reports · updated 6 hr ago

LatestOct 2
arXiv 论文提出全训练栈优化方案，ETT% 平均提升 15.5%，全集群从约 80% 提升至 90% 以上。

Timeline

Follow the coverage from different angles.

Oct 2, 2026
  1. arXiv · Information Retrieval
    大规模推荐系统有效训练时间优化

    大规模推荐训练中生命周期开销导致仅 50-60% 的端到端时间用于新数据训练。作者提出覆盖全训练栈的优化方案，包括通信消除、管道重叠、动态形状处理、自动调优剪枝、可复用 PyTorch 2 编译缓存、异步检查点、独立模型发布和恢复成本降低。ETT% 在每个 benchmark 上平均提升 15.5%，最大工作负载达 85%，全集群从约 80% 提升至 90% 以上。

Heat trend

Current heat 8·Comparable peak 10（Oct 2）·Comparable change over 24 hours –

02.557.510Oct2Oct2Oct2Oct2

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.