Naukowcy opublikowali pierwszą tablicę wyników dla relacyjnych modeli fundamentalnych, która zmienia podejście do optymalizacji trenowania. Zamiast decentralizować sam proces trenowania, zespół zdecentralizował samo poszukiwanie najlepszych recept poprzez speedrun leaderboard - zafixowany problem, otwarty stack techniczny, a ranking oparty na rzeczywistym czasie wykonania do osiągnięcia celu jakościowego. Wystarczy jeden GPU, aby konkurować o najwyższe pozycje.
Kluczowym wyzwaniem było ustalenie, którą bazę danych wstrzymać do testowania. Zespół rozwiązał to poprzez kalibrację, oceniając sześć kandydatów na podstawie tego, jak wyraźnie 45-minutowa krzywa uczenia oddziela rzeczywistą poprawę od szumu związanego z inicjalizacją. Ich zwycięska receptura używa typed trilinear attention - nowego operatora relacyjnego warunkującego wyniki i wartości attention na podstawie przebieganego klucza obcego - w kombinacji z metodami Muon i SIGReg.
Wyniki są imponujące: na jednym procesorze NVIDIA H200 algorytm osiąga cel w 305,63 sekund, co jest 8,11 razy szybsze od referencyjna implementacji. Poza tym wygrywa 13 z 15 porównań na bazach danych spoza rozwojowej. Zespół zobowiązał się do opublikowania benchmarku, zamrożonych artefaktów i rekordu treningowego, a kod jest już dostępny na GitHubie.