# 边界算子

该工作以 prelude–core–coda 循环 Transformer 为统一框架，在 FineWeb 上为每种架构单独拟合计算最优配方并训练到约 10²⁰ FLOPs 的缩放阶梯，发现模型生长（训练中途增加核心遍数）与边界算子（归一化残差流并重新注入 prelude 输出）能改变预训练的缩放指数，使计算效率优势随规模扩大，而权重解绑只改变常数；在数据受限的多轮训练中，最优循环次数随计算量增长，扩大循环次数比扩大模型规模更省算力。

该工作以 prelude–core–coda 循环 Transformer 为统一框架，在 FineWeb 上为每种架构单独拟合计算最优配方并训练到约 10²⁰ FLOPs 的缩放阶梯，发现模型生长（训练中途增加核心遍数）与边界算子（归一化残差流并重新注入 prelude 输出）能改变预训练的缩放指数，使计算效率优势随规模扩大，而权重解绑只改变常数；在数据受限的多轮训练中，最优循环次数随计算量增长，扩大循环次数比扩大模型规模更省算力。