大模型的学习率（Learning Rate）是控制模型参数更新‌步长‌的核心超参数，直接决定训练能否收敛及最终性能 。

核心定义

• ‌本质‌：在梯度下降优化中，梯度指出“往哪改”，学习率决定“改多少”。公式为：新参数 = 旧参数 - 学习率 × 梯度 。
• ‌属性‌：它是人为设定的‌超参数‌，而非模型从数据中学到的权重参数 。

关键影响

• ‌过大‌：步长太大，导致损失函数剧烈震荡甚至发散（Loss 爆炸），无法找到最优解 。
• ‌过小‌：步长太小，收敛极慢，浪费算力，且易陷入局部最优解 。
• ‌适中‌：平衡速度与稳定性，使模型高效逼近全局最优 。

大模型典型范围

大模型参数量巨大，对步长极度敏感，学习率通常远小于小模型：

• ‌大型基座模型（7B~72B+）‌：常用 ‌1e-5 ~ 1e-6‌ 。
• ‌中型模型（1B~7B）‌：常用 ‌1e-4 ~ 1e-5‌ 。
• ‌微调场景‌：常采用 ‌2e-5‌ 左右，并配合 Warmup 和余弦退火等动态调度策略 。

简言之，学习率是大模型训练的“油门”，需根据模型规模和任务动态调整，过大易失控，过小则低效 。

其中1e-5是‌科学计数法的数值表达‌，核心概念如下：

1. ‌基础数值含义‌
   它换算为普通小数是 ‌0.00001‌，也就是十万分之一。
2. ‌大模型训练场景意义‌
   在大模型微调中，1e-5是大型模型（参数规模>1B）全量微调的经典推荐学习率，能避免破坏预训练好的权重，让训练过程稳定收敛，不会出现梯度震荡或Loss异常的问题。
3. ‌其他常见使用场景‌
   它也常作为深度学习、编程中的精度阈值，比如在C语言、Python的数值计算里，用来判断两个浮点数是否近似相等，控制计算的精度误差。