这篇由Felipe Chavarro Polania提交的论文关注一个非常实际的问题：当计算预算紧张、只能在共享加速器上做微型预训练时，如何用尽量少的实验快速筛掉明显不好的配方，把更大预算留给更有希望的候选。作者提出的核心问题是，分阶段的部分因子筛选流程能否在这种条件下稳定恢复早期效应结构，从而为后续决策提供可靠依据。
实验建立在一个固定的、源自自动研究流程的单GPU训练循环上。整个研究共运行613次实验，覆盖2分钟、5分钟和10分钟的试点与后续筛查；在5分钟和10分钟预算下对16个条件进行带种子的完整重跑；还做了针对性的种子锚点检查、同主机贪心基线与等成本随机基线、一个60分钟桥接包，以及在Windows A100和Linux L40S上延续到24小时的有界锚点实验。这样安排的目的，是既观察短预算下的早期信号，又检验这些信号在更长时间和不同硬件上是否仍然成立。
结果首先确认了一个直观但重要的现象：来自总批大小、网络深度和宽度的主要惩罚在短预算下最大，随着训练预算增加而逐渐放松。也就是说，短时间筛查确实能放大某些配置方向的负面影响，适合用来快速排除高惩罚方向。但在预声明的带种子全屏家族中，经过预算内Benjamini-Hochberg多重检验校正后，D、A、B和C在5分钟和10分钟仍保留非零估计，而E没有通过这一门槛。这说明部分因子结构在早期能够捕捉到稳定信号，但并非所有候选家族都同样可靠。
作者还比较了随机搜索。在这个32条件空间里，随机搜索确实能够到达表现很强的现任配置，但它反复落在同一个低惩罚区域，而且无法给出因子归因。换句话说，随机搜索可能“碰巧”找到好结果，却难以解释为什么好，也不容易把经验迁移到新的搜索空间。相比之下，设计化筛查的价值不在于单次最优，而在于提供可解释的方向性信息。
在更长的时间尺度上，60分钟桥接锚点的平均表现最低，但作者谨慎指出，这个包并不能把工作流细化与更大桥接模型本身的容量优势分开。随后在Windows A100和Linux L40S两个主机上进行的12小时和24小时三锚点有界延续中，桥接配置的样本均值仍然最低，而非桥接配置之间的排序则表现出主机敏感性。这意味着桥接建议在24小时内、在两个主机上得到支持，但并不能推广为硬件无关的排名，也不能声称该方法在一般超参数优化上具有优越性。
因此，论文给出的是一个有界的方法学结论：用短时间的设计化筛查识别高惩罚方向，在重复运行下确认有希望的锚点，然后在缩小后的空间内做局部细化。作者明确限定了结论的适用范围——证据支持截至24小时、在两个主机上以桥接为中心的建议，而不是普遍性的硬件不变排序或通用超参数优化优势。对于预算受限的微型预训练实践者来说，这一流程提供了一种可操作的实验分诊思路，同时也提醒读者注意其边界条件。