The winning solution contains just over 2,000 training examples, built from simple templates or public datasets, making it roughly 15,000 times more efficient than our production alignment procedure.
【数据】自动化研究员提出的解决方案仅使用2,000个训练样本，比现有的生产级对齐流程效率提高了约15,000倍。这一惊人的效率差异表明，AI自动化方法可能在资源消耗方面具有巨大优势。
训练数据约450亿token，仅为主流方法的十分之一。
这是一个显著的数据点，表明连续空间范式在数据效率上有巨大提升。450亿token仅为传统方法的10%，这意味着在同等数据量下，连续空间模型可能实现更好的性能，或者以更少的数据达到相同效果，这将大幅降低AI训练成本和数据依赖。
Meta says its rebuilt pretraining stack can reach equivalent capability with >10× less compute than Llama 4 Maverick
令人惊讶的是，Meta声称他们重建的预训练栈只需要Llama 4 Maverick十分之一的计算量就能达到同等能力。这一效率提升是惊人的，表明AI模型训练可能正在经历一个范式转变，从单纯增加计算资源转向优化算法和架构。这可能会对整个AI行业的成本结构和竞争格局产生深远影响。