Der gleichzeitige Multi-LoRA-Stack von Trajectory meldet einen 2,81-fachen Anstieg des Experimentierdurchsatzes gegenüber Single-Tenant-RL, wobei sich der gesamte Code im NovaSky-AI/SkyRL-GitHub-Repository befindet.

Die meisten Sprachmodelle verbessern sich durch diskontinuierliche Sprünge. Ein Crew sammelt Daten, trainiert und versendet eine neue Model. Dies dauert Monate und führt zu bemerkenswertem oder katastrophalem Verhalten für Benutzer. Trajectory möchte diesen Zyklus durch kontinuierliches Lernen ersetzen.

Das Trajectory-Crew hat einen Erfahrungsbericht veröffentlicht, in dem beschrieben wird, wie. Es wurde eine gleichzeitige Multi-LoRA-Trainingsplattform für kontinuierlich lernende Arbeitslasten aufgebaut. Die Arbeit wurde mit UC Berkeley Sky Lab und Anyscale durchgeführt. Der gesamte Trainingscode ist Open-Supply im NovaSky-AI/SkyRL-Repository.

Das Ergebnis ist eine 2,81-fache Verbesserung des Finish-to-Finish-Experimentdurchsatzes. Der Vergleich erfolgt mit einem Single-Tenant-Trainingsframework. Trajectory meldet keine Regression bei Trainingsbelohnungen.

Was Multi-LoRA-Coaching eigentlich ist

Kontinuierliches Lernen erfordert, dass Modelle anhand von Stay-Suggestions und Produktionsinteraktionen aktualisiert werden. Ein Codierungsagent könnte technische Muster lernen, während Entwickler seine Arbeit korrigieren. Ein Supportmitarbeiter könnte Hardtickets lösen, während die Mitarbeiter in schwierigen Fällen eingreifen.

Die meisten Trainingsinfrastrukturen gehen immer noch von einem linearen Lebenszyklus aus. Groups weisen GPUs zu, initialisieren das Modell, führen einen Job aus und fahren dann herunter. Kontinuierliches Lernen überarbeitet diese Beziehung. Wenn Produktionsinteraktionen zu Trainingseingaben werden, wird die Schulung Teil eines Stay-Methods.

Modernes RL-Coaching reduziert sich auf drei Kernprimitive. Der Sampler generiert Trajektorien aus dem aktuellen Richtlinienmodell. Der Coach berechnet Farbverläufe und aktualisiert die Richtliniengewichte. Parametersynchronisation sendet aktualisierte Gewichte an Inferenzarbeiter zurück.

Trajectory nennt seinen Ansatz Steady Multi-LoRA Coaching oder C-LoRA. Jedes Experiment wird einem dedizierten LoRA-Adapter auf einer warmen, mandantenfähigen Engine zugeordnet.

Die Probleme, auf die es abzielt

Das Trajectory-Crew identifiziert vier Ineffizienzen bei herkömmlichen Stacks:

(1) Kaltstarts sind langsam: Jeder serielle Job lädt Prüfpunkte neu, initialisiert die verteilte Laufzeit und erwärmt Inferenz-Engines. Bei großen Modellen kann dieser Schritt allein 30 Minuten professional Durchlauf überschreiten.

(2) RL ist speicherintensiv: Grenzmodelle überschreiten häufig 100 Milliarden Parameter. Für Qwen3.5-397B können bis zu acht H200-Knoten erforderlich sein, um in den Speicher zu passen. LoRA reduziert die Speichernutzung um eine Größenordnung. Es friert das Basismodell ein und trainiert nur kleine Adaptergewichte.

(3) Herkömmliche Stacks sind Single-Tenant-Stacks: Sie führen jeweils ein Experiment durch. Multi-LoRA ordnet jedes Experiment einem Adapter zu, wodurch der Durchsatz um den Faktor N gemultiplext wird.

(4) Die Arbeitsauslastung ist gering: Coach und Inferenzmaschinen bleiben stehen, während sie aufeinander warten. Multi-LoRA-Lastausgleich über Jobs hinweg, um ungenutzte Kapazitäten zu füllen.

In der Architektur

Die meisten Durchsatzgewinne resultieren aus Inferenz. In vLLM werden alle Adapter im laufenden Betrieb in den GPU-Speicher geladen. Durch Dekodierschritte können dann Token von verschiedenen Adaptern im selben Stapel gemischt werden. Der Schlüsselfaktor ist der SGMV-Dekodierungskernel. Es vereint die Matrixvektorarbeit professional Adapter in einem GPU-Begin professional Dekodierschritt.

Nach jedem Optimierungsschritt werden aktualisierte LoRA-Gewichte direkt in die Inferenz-Engine geladen. Der Scheduler friert nicht ein, sodass andere Mandanten weiterhin dekodieren.

Coaching funktioniert anders. Ein aktiver LoRA-Adapter trainiert auf der GPU. Der Relaxation befindet sich im fixierten CPU-Speicher. Der Staat jedes Mieters lebt in einem AdapterStore. Es enthält LoRA-Parameter, FP32-Mastergewichte, Optimierungsmomente und Gradientenpuffer.

Die Engine tauscht den Standing eines Mandanten auf die GPU aus, führt einen einzelnen „forward_backward“-Durchlauf aus und tauscht ihn dann zurück. Dieser Trainingspfad ist immer noch ein Einzeladapter. Die Vorteile der Inferenz-Parallelität gelten noch nicht für das Coaching.

Die Zahlen

Trajektorie auf einem einzelnen H200-Knoten mit Qwen3-4B-Instruct-2507 getestet. Es führte Sync RL auf GSM8K in einer Agenteneinstellung aus. Das Trajectory-Crew hat GSM8K als Lernaufgabe für den Werkzeuggebrauch umgestaltet. Das Modell entscheidet, wann a aufgerufen wird Kalkulator und a Endgültige Antwort Werkzeug. Die Belohnung beträgt nur 1,0, wenn die endgültige Antwort mit der richtigen Antwort aufgerufen wird.

Die Richtlinie beginnt bei Schritt 0 mit einer Genauigkeit von etwa 40 %. Mit dem richtigen Lernalgorithmus steigt sie bei Schritt 9 auf über 90 %.

Das Trajectory-Crew skalierte auf acht gleichzeitige Multi-LoRA-Läufe. Die letzte Experimentzeit betrug 5433 Sekunden bei N=8, eine 2,81-fache Beschleunigung. Acht gleichzeitige Experimente wurden abgeschlossen, bevor drei aufeinanderfolgende Serienläufe stattfanden. Auch die mittlere Experimentzeit verbesserte sich und erreichte ihren Höhepunkt bei N=4 mit einer 1,88-fachen Beschleunigung. Jede Parallelitätsstufe erreichte bei Schritt 9 eine Belohnungsgenauigkeit von über 90 %.

Die Kompromisse

Höhere Durchsatzkosten professional Schrittlatenz. Wenn N zunimmt, verkürzen sich die Zeit des ersten Experiments und die Zeit des Schritts. Bei N=8 endet das erste Reihenexperiment 1,97-mal schneller. Die mittlere Schrittzeit steigt von 191 Sekunden auf 500 Sekunden, additionally nur 2,62-mal langsamer.

Der größte Teil dieser Steigerung ist auf die Einführungszeit zurückzuführen. Der Rollout wächst von 162 auf 401, was etwa 77 % des Anstiegs entspricht. Bei N=2 erhöht die Verdoppelung der Final die Rollout-Zeit nur um 15 %. Das ist der Idealfall für Multi-LoRA.

Das Muster hielt an einer härteren Arbeitsbelastung fest. Beim τ-Bench-Einzelhandel mit dem MoE-Modell NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 beendete N=2 10 Schritte 1,28-mal schneller. Die Schrittzeit professional Mandant stieg um das 1,57-fache.

Stärken und Schwächen

Stärken:

• 2,81-fache Steigerung des Finish-to-Finish-Experimentdurchsatzes bei acht gleichzeitigen Durchläufen
• Keine Genauigkeitsregression; Die Läufe folgten in den letzten Schritten der seriellen Grundlinie innerhalb von ±1σ
• LoRA reduziert den Speicher um eine Größenordnung im Vergleich zur vollständigen Feinabstimmung
• Vollständig Open-Supply in NovaSky-AI/SkyRL, damit die Neighborhood darauf aufbauen kann

Schwächen:

• Die Latenz professional Schritt und die Zeit für das erste Experiment nehmen mit zunehmendem N ab
• Die Schulungen werden weiterhin mieterübergreifend durchgeführt. Nur die Inferenz wird gemultiplext
• Getestet hauptsächlich an mittelgroßen Modellen, nicht an Parametern im Grenzmaßstab
• Für die Einrichtung sind ein 8× H100/H200-Knoten und ein Megatron-Construct erforderlich

Wichtige Erkenntnisse

• Trajectory hat einen gleichzeitigen Multi-LoRA-RL-Trainingsstapel für kontinuierliches Lernen erstellt, der als Open-Supply-Lösung in NovaSky-AI/SkyRL verfügbar ist.
• Es wird ein 2,81-facher Anstieg des Finish-to-Finish-Experimentdurchsatzes gegenüber einer Basislinie mit einem einzelnen Mandanten gemeldet, ohne Regression der Belohnung.
• Jedes Experiment wird einem dedizierten LoRA-Adapter auf einer immer heißen Engine zugeordnet, der den Durchsatz um N multiplext.
• Die meisten Gewinne ergeben sich aus der vLLM-Multi-LoRA-Inferenz über den SGMV-Dekodierungskernel; Ausbildung bleibt Single-Adapter.
• Der Kompromiss besteht in der Latenz professional Schritt: Bei N=8 steigt die Schrittzeit von 191 Sekunden auf 500 Sekunden.

Der visuelle Erklärer von Marktechpost

Wo (Schlussfolgerungen) ausgeführt werden sollen

---

Schauen Sie sich das an Repo Und Technische Particulars. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 150.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face Web page ODER Produktveröffentlichung ODER Ihr Webinar usw. zu bewerben? Vernetzen Sie sich mit uns

Die Aktie von Meiwu Expertise (WNW) kämpft weiterhin, belastet durch Handelsstopps aufgrund von Volatilität, Probleme mit der Nasdaq-Complianceund schwache Finanzdaten. Seit dem 15. Januar 2025 sind die Anleger zunehmend besorgt über die Fähigkeit der Aktie, sich zu erholen. Das Unternehmen steht unter Druck, bis zum 10. März 2025 die Mindestgebotspreisanforderung von 1 US-Greenback an der Nasdaq zu erfüllen, wobei ein Scheitern möglicherweise zu einem Delisting führt. Die jüngsten Handelsstopps haben die Vorsicht der Anleger noch verstärkt und sind Ausdruck einer erheblichen Preisinstabilität.

Meiwu Expertise hat Probleme, da die Frist für die Einhaltung der Nasdaq-Compliance näher rückt

Ohne optimistic Unternehmensentwicklungen oder Ankündigungen ist es Meiwu nicht gelungen, die damaging Stimmung auszugleichen. Analysten verweisen auf schwache Fundamentaldaten, eine hohe Money-Burn-Charge und Unsicherheit hinsichtlich der Nachhaltigkeit des Geschäftsmodells im chinesischen Wettbewerbsmarkt. Auf Social-Media-Plattformen wie Die technische Analyse verdeutlicht rückläufige Tendencies, wobei der WNW unter die wichtigsten gleitenden Durchschnitte fällt und nach kurzen Spitzen Abwärtstrends aufweist. Diese Signale, gepaart mit Bedenken hinsichtlich eines Delistings, haben die Anleger hinsichtlich der Zukunft der Aktie skeptisch gemacht.

---

Warum SEALSQ-Aktien trotz starker Finanzprognosen um 42 % einbrachen

---

Für Investoren stellt die Meiwu-Technologie erhebliche Herausforderungen dar. Mangelnde optimistic Impulse und anhaltende Compliance-Risiken erfordern ein vorsichtiges Vorgehen. Wenn Sie erwägen, diese Aktie zu halten oder in sie einzusteigen, konzentrieren Sie sich darauf, ob Meiwu eine Turnaround-Strategie liefern kann, die Finanzstabilität und Nasdaq-Konformität gewährleistet. Für die Beurteilung des Erholungspotenzials ist es von entscheidender Bedeutung, auf Ankündigungen zu achten, die auf verbesserte Fundamentaldaten oder Wachstumschancen hinweisen könnten.

Bestehende Aktionäre sollten die Risiken eines weiteren Preisverfalls gegen die Möglichkeit einer Erholung abwägen. Angesichts der Volatilität und der schwachen Fundamentaldaten von Meiwu kann eine Risikomanagementstrategie, einschließlich der Festlegung klarer Ausstiegspunkte, sinnvoll sein. Bis das Unternehmen greifbare Fortschritte bei der Bewältigung von Compliance- und betrieblichen Herausforderungen nachweist, sollten Anleger sich vor weiteren Abwärtsrisiken in Acht nehmen.

---

Hervorgehobener Bildnachweis: Kerem Gülen/Ideogramm

Lululemon Athletica Inc. geht davon aus, dass die Umsätze im vierten Quartal die Markterwartungen übertreffen werden, was darauf hindeutet, dass die gehobene Activewear-Marke trotz rückläufiger Verbraucherausgaben erfolgreich mit aufstrebenden Konkurrenten konkurriert. Das Unternehmen prognostiziert ein Umsatzwachstum von 11 % bis 12 % und damit einen Gesamtumsatz von 3,56 bis 3,58 Milliarden US-Greenback, was einer Steigerung gegenüber der vorherigen Prognose von bis zu 3,51 Milliarden US-Greenback entspricht. Diese Prognose übertrifft auch die durchschnittliche Analystenschätzung von Bloomberg.

Lululemon erwartet ein starkes Umsatzwachstum im vierten Quartal

Finanzvorstand Meghan Frank erklärte, dass die Käufer während der gesamten Weihnachtszeit „intestine auf unser Produktangebot reagierten“. Nach dieser Ankündigung stiegen die Aktien von Lululemon im vorbörslichen Handel am Montag um bis zu 6,9 %. Das Unternehmen plant, sich später in dieser Woche auf der ICR-Konferenz mit Analysten und Investoren zu treffen.

Lululemon hat auch seine Prognose für den Gewinn professional Aktie nach oben angepasst und prognostiziert nun eine Spanne von 5,81 bis 5,85 US-Greenback, eine Steigerung gegenüber dem vorherigen Höchstwert von 5,64 US-Greenback. Vorstandsvorsitzender Calvin McDonald beabsichtigt, die Nachfrage durch die Erweiterung der Produktstile und die Anpassung an Modetrends, die sich von der traditionellen figurbetonten Kleidung des Unternehmens entfernen, wiederzubeleben.

Die Wachstumsstrategie des Unternehmens zielt auf einen Jahresumsatz von 12,5 Milliarden US-Greenback bis 2026 ab, vor allem durch internationale Growth, On-line-Verkaufswachstum und zunehmende Produkte für Männer. Trotz des Erfolgs von Lululemon sieht sich das Unternehmen der Konkurrenz durch Konkurrenten ausgesetzt, die ähnliche Produkte zu niedrigeren Preisen anbieten.

Mehrere Bekleidungshändler, darunter Lululemon, Abercrombie & Fitch und American Eagle, haben ihre Umsatzprognosen für das Weihnachtsquartal ebenfalls angehoben, was auf die Verbrauchernachfrage nach stark reduzierten Artikeln zurückzuführen ist. Laut Salesforce-Daten gab es in der Weihnachtseinkaufssaison 2024 erhebliche Preisnachlässe, wobei der Bekleidungssektor mit etwa 33 % die höchsten Rabatte bot. Einzelhändler wie Goal und Amazon haben hohe Rabatte gewährt, um kostenbewusste Verbraucher anzulocken.

---

11 Aktien, die Warren Buffett heute niemals verkaufen wird

---

Trotz stark Verkaufsprognosen von Lululemonkönnte sich der Development zu hohen Preisnachlässen negativ auf die Margen für das laufende Quartal auswirken, das normalerweise im Januar endet. Die Aktien von Abercrombie fielen vor dem Handel um etwa 11 %, da das Unternehmen seine Margenprognose für das vierte Quartal beibehielt und gleichzeitig sein Umsatzwachstumsziel auf 7 % bis 8 % erhöhte.

Die breitere Produktpalette von Lululemon, einschließlich neuer Farben und Stile, trug dazu bei, dass das Unternehmen seine Margen- und Gewinnprognosen sowie seine Gesamtumsatzziele erhöhen konnte. Brian Jacobsen, Chefökonom bei Annex Wealth Administration, bemerkte: „Es ist eine gemischte Einkaufstüte. Lululemon schnitt besser ab als erwartet, da es in der Lage struggle, preisgünstigere Nachahmer abzuwehren.“ Ebenso erhöhte American Eagle sein operatives Gewinnziel und meldete ein bescheidenes Wachstum der vergleichbaren Umsätze.

Darüber hinaus hat Nordstrom letzte Woche seine Jahresprognose angehoben, unterstützt durch starke Feiertagsverkäufe aufgrund hoher Preisnachlässe, die geschäftssuchende Käufer anlocken. Im Gegensatz dazu hatte Macy’s Probleme und ging davon aus, dass der Nettoumsatz im vierten Quartal innerhalb oder leicht unter der zuvor geschätzten Spanne von 7,8 bis 8,0 Milliarden US-Greenback liegen würde.

Auch Einzelhändler wie City Outfitters und American Eagle meldeten constructive Ergebnisse. City Outfitters verzeichnete in den zwei Monaten bis zum 31. Dezember einen Anstieg des Nettoumsatzes um 10 %, während American Eagle seinen Ausblick für das vierte Quartal aktualisierte und einen Betriebsgewinn von rund 135 Millionen US-Greenback erwartete. Insgesamt deuten die Daten zum Weihnachtsgeschäft darauf hin, dass das Umsatzwachstum trotz Inflationssorgen die ursprünglichen Erwartungen übertreffen könnte. Mastercard SpendingPulse meldete einen Anstieg der Einzelhandelsumsätze (ohne Automobilverkäufe) um 3,8 % gegenüber dem Vorjahr vom 1. November bis 24. Dezember.

---

Haftungsausschluss: Der Inhalt dieses Artikels dient ausschließlich Informationszwecken und sollte nicht als Anlageberatung ausgelegt werden. Wir befürworten keine spezifischen Anlagestrategien und geben keine Empfehlungen zum Kauf oder Verkauf von Wertpapieren ab.

Hervorgehobener Bildnachweis: Lululemon