El optimizador Muon ha ganado popularidad en el entrenamiento de grandes modelos de lenguaje al aplicar reglas de actualización ortonormalizadas. Sin embargo, su implementación mediante la iteración Newton–Schulz (NS) es aproximada, y las direcciones con valores singulares pequeños no se ortonormalizan correctamente. Investigaciones recientes revelan que los cuantiles de los valores singulares en los buffers de momento siguen leyes de potencia limpias según el tamaño del modelo, con exponentes variables por capa. Las capas intermedias escalan suavemente (∼ M⁻⁰·²⁵), mientras que las capas tardías pueden escalar hasta M⁻⁰·⁹⁶, lo que las lleva al fracaso de NS en modelos de frontera a menos que se aumenten las iteraciones o se ajusten los coeficientes. Este hallazgo permite a los ingenieros seleccionar la configuración NS mínima necesaria, evitando cómputo innecesario sin sacrificar calidad.

Para empresas que desarrollan aplicaciones a medida con inteligencia artificial, comprender estas leyes de escalado es crucial. Implementar optimizadores eficientes requiere un conocimiento profundo del espectro singular y de cómo se comporta con la escala. Desde Q2BSTUDIO integramos ia para empresas en soluciones personalizadas, apoyándonos en servicios cloud aws y azure para escalar el entrenamiento, y en ciberseguridad para proteger los modelos. Además, aplicamos servicios inteligencia de negocio con power bi para monitorizar métricas de rendimiento, y desarrollamos agentes IA que optimizan procesos con base en estas dinámicas espectrales.

En la práctica, las leyes de potencia permiten a los equipos técnicos decidir cuántas iteraciones NS son necesarias por capa, reduciendo costes computacionales sin comprometer la ortonormalidad. Esta aproximación, combinada con el desarrollo de software a medida en Q2BSTUDIO, facilita la creación de sistemas de entrenamiento eficientes y adaptables a modelos de cualquier tamaño.