Naukowcy zastosowali skalowanie do metody wyszukiwania konfiguracji kanałów w sieciach neuronowych opartej na LLM, zwiększając liczbę kandydujących modeli z rzadkiego zestawu ocen do 250 sieci na cykl fine-tuningu. Przeanalizowali 2000 wygenerowanych kandydatów z 8 kompletnych cykli, uzyskując 462 zweryfikowane ewaluacje na zbiorze CIFAR-100 po filtrowaniu zadań i metadanych.
Wyniki potwierdzają, że optymalizacyjne zachowanie obserwowane wcześniej przenosi się na gęstsze próby. Średnia dokładność na cykl wykazuje pozytywny trend liniowy ze współczynnikiem 9.87e-4 (p=0.043), podczas gdy granica najlepszych modeli rośnie jeszcze szybciej - najlepsza obserwowana dokładność wzrasta z 0.3144 do 0.3676. Zarówno średnie top-5 jak i top-10 na poziomie cyklu pokazują pozytywne trendy.
Skalowana konfiguracja ujawnia także znaczną poprawę efektywności parametrów. Najlepszy model osiąga 0.3676 z 11,8M parametrów, w porównaniu z wcześniejszym wysokowydajnym modelem osiągającym 0.3144 z 166,5M parametrów. Większa próba danych ekspozuje również architektoniczne regularności trudne do oceny z rzadkich obserwacji - szerokości kanałów, które nie są potęgami liczby 2, występują w 41,8% zweryfikowanych kandydatów, a najsilniejsze modele wykazują wspólne strukturalne cechy.