📝 视频简介
本期视频为大家带来NeurIPS 2025最佳论文Runner-Up作品《Superposition Yields Robust Neural Scaling》的直播录播内容。论文提出大语言模型中表征的“叠加现象”是驱动神经规模定律（neural scaling laws）的核心机制，揭示了模型维度、数据分布与训练损失之间的内在数学关系。
🔍 本期视频你将看到：
什么是神经缩放定律？为什么它对于大模型训练如此重要？
表征叠加（superposition）如何影响模型的表现？
弱叠加与强叠加状态下，损失与模型维度之间的不同缩放规律
Anthropic玩具实验与真实LLM实验的对应验证
如何利用这一理论优化大模型训练与预测缩放极限？
🚀 一句话总结：
表征叠加是驱动大模型遵循神经缩放定律的“隐形引擎”，让你理解为什么模型越大、数据越多，效果越强。
👥 论文讲者：
刘逸舟（MIT博士生，研究方向为大语言模型宏观涌现行为与神经缩放定律）
如果你对大语言模型、神经网络理论、缩放定律、AI训练优化、MIT研究动态等话题感兴趣，请点赞、投币、收藏三连支持！也欢迎在评论区留下你的看法～
