一句话看懂：arXiv 新论文提出 modded-nanoRT，把关系型 Transformer 的预训练配方做成公开榜单，用单张 NVIDIA H200 在 305.63 秒内达到质量目标，比参考实现快 8.11 倍，门槛降到一张 GPU 也能参与。
事件核心：发生了什么
据 arXiv cs.AI 2026 年 10 月 22 日发布的新论文摘要，作者推出 modded-nanoRT，这是首个面向 Relational Transformers 的“速通”榜单。它不中心化训练资源，而是把问题、训练栈和评测标准固定下来，按“达到质量目标所耗墙钟时间”排名，单张 GPU 即可挑战纪录。
为让榜单能分辨真实提升与随机种子噪声，作者用 45 分钟学习曲线校准，从六个候选数据库中选出留出集。开榜配方包含 typed trilinear attention（按外键遍历条件化注意力分数与值）、Muon 与 SIGReg。在开发数据库之外，该配方 15 组对比中赢下 13 组；上述数字均为摘要口径，尚未经同行评审，也非已上线产品。
为什么重要
基础模型预训练长期由算力预算决定谁能试错，关系型预训练尤甚：配方在各自实验室里开发、以私有协议汇报，难以累积。速通榜把搜索“去中心化”，用公开榜单和冻结工件替代大规模重复训练，让单个研究者也能在同等条件下比较思路。对行业而言，这意味着预训练创新可能从“堆卡竞赛”转向“算法与评测标准化”的竞争，开源配方和可复现基准的价值上升。
对用户/开发者/创作者的影响
对开发者，公开代码仓库与冻结评测产物降低了复现和二次开发成本，单卡即可验证注意力算子或优化器改动，适合做小规模消融。对企业采购和团队负责人，这类榜单可作为评估关系型模型训练效率的参考，但不能替代自有业务的完整评测。对内容与产品侧，关系型预训练效率提升最终可能让涉及结构化数据理解的应用更便宜、迭代更快，不过目前仍停留在研究阶段，不应解读为现成 API 或产品能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是榜单能否持续吸引提交，记录是否会被更快配方刷新；二是开发数据库之外的 13/15 胜率能否在更多任务上复现；三是代码仓库的冻结工件与榜单机制是否被社区沿用，形成长期可比的研究基础设施。
来源：arXiv cs.AI
