Pretraining Data Scaling

RQ: Under a fixed model architecture, how does pretraining data scale affect downstream task performance?

Downstream Performance

Downstream performance under within-subject and cross-subject settings for Full-FT and Linear Probe across different pretraining data scales.

Within-subject

Full-FTLinear Probe
50%55%60%65%70%75%80%0.61.537.51530Pretraining data (k h)Average Performance+6.69 pp

Cross-subject

Full-FTLinear Probe
40%45%50%55%60%65%0.61.537.51530Pretraining data (k h)Average Performance+4.22 pp

Adaptation Dynamics

Relative parameter displacement and model output representational change induced by Full-FT. Layer-wise representational change across layers and pretraining data scales.

Parameter & output change

30k hours · 0.037 displacement · 0.901 change

0.030.060.090.120.70.80.90.61.537.51530Pretraining data (k h)Parameter displacementRepresentational change

Layer-wise representational change

30k hours · Layer 22 · 0.583

00.75
0.6600 hours · Layer 0 · 0.005600 hours · Layer 1 · 0.045600 hours · Layer 2 · 0.072600 hours · Layer 3 · 0.093600 hours · Layer 4 · 0.104600 hours · Layer 5 · 0.117600 hours · Layer 6 · 0.138600 hours · Layer 7 · 0.177600 hours · Layer 8 · 0.201600 hours · Layer 9 · 0.210600 hours · Layer 10 · 0.222600 hours · Layer 11 · 0.232600 hours · Layer 12 · 0.243600 hours · Layer 13 · 0.255600 hours · Layer 14 · 0.269600 hours · Layer 15 · 0.289600 hours · Layer 16 · 0.316600 hours · Layer 17 · 0.365600 hours · Layer 18 · 0.416600 hours · Layer 19 · 0.521600 hours · Layer 20 · 0.615600 hours · Layer 21 · 0.670600 hours · Layer 22 · 0.7211.51.5k hours · Layer 0 · 0.0041.5k hours · Layer 1 · 0.0511.5k hours · Layer 2 · 0.0511.5k hours · Layer 3 · 0.0611.5k hours · Layer 4 · 0.0751.5k hours · Layer 5 · 0.0931.5k hours · Layer 6 · 0.1201.5k hours · Layer 7 · 0.1401.5k hours · Layer 8 · 0.1671.5k hours · Layer 9 · 0.1691.5k hours · Layer 10 · 0.1801.5k hours · Layer 11 · 0.1831.5k hours · Layer 12 · 0.1901.5k hours · Layer 13 · 0.1961.5k hours · Layer 14 · 0.2031.5k hours · Layer 15 · 0.2141.5k hours · Layer 16 · 0.2231.5k hours · Layer 17 · 0.2421.5k hours · Layer 18 · 0.2791.5k hours · Layer 19 · 0.3991.5k hours · Layer 20 · 0.4681.5k hours · Layer 21 · 0.6401.5k hours · Layer 22 · 0.74233k hours · Layer 0 · 0.0053k hours · Layer 1 · 0.0423k hours · Layer 2 · 0.0403k hours · Layer 3 · 0.0533k hours · Layer 4 · 0.0553k hours · Layer 5 · 0.0673k hours · Layer 6 · 0.0783k hours · Layer 7 · 0.1053k hours · Layer 8 · 0.1193k hours · Layer 9 · 0.1293k hours · Layer 10 · 0.1303k hours · Layer 11 · 0.1373k hours · Layer 12 · 0.1413k hours · Layer 13 · 0.1463k hours · Layer 14 · 0.1513k hours · Layer 15 · 0.1613k hours · Layer 16 · 0.1783k hours · Layer 17 · 0.2103k hours · Layer 18 · 0.2473k hours · Layer 19 · 0.3143k hours · Layer 20 · 0.4373k hours · Layer 21 · 0.5463k hours · Layer 22 · 0.6017.57.5k hours · Layer 0 · 0.0037.5k hours · Layer 1 · 0.0627.5k hours · Layer 2 · 0.0577.5k hours · Layer 3 · 0.0677.5k hours · Layer 4 · 0.0787.5k hours · Layer 5 · 0.0897.5k hours · Layer 6 · 0.0937.5k hours · Layer 7 · 0.1017.5k hours · Layer 8 · 0.1217.5k hours · Layer 9 · 0.1277.5k hours · Layer 10 · 0.1517.5k hours · Layer 11 · 0.1537.5k hours · Layer 12 · 0.1547.5k hours · Layer 13 · 0.1547.5k hours · Layer 14 · 0.1557.5k hours · Layer 15 · 0.1547.5k hours · Layer 16 · 0.1657.5k hours · Layer 17 · 0.1867.5k hours · Layer 18 · 0.2077.5k hours · Layer 19 · 0.2587.5k hours · Layer 20 · 0.3137.5k hours · Layer 21 · 0.4187.5k hours · Layer 22 · 0.4631515k hours · Layer 0 · 0.00315k hours · Layer 1 · 0.10015k hours · Layer 2 · 0.09715k hours · Layer 3 · 0.21015k hours · Layer 4 · 0.33815k hours · Layer 5 · 0.34415k hours · Layer 6 · 0.35015k hours · Layer 7 · 0.35415k hours · Layer 8 · 0.35215k hours · Layer 9 · 0.35415k hours · Layer 10 · 0.34915k hours · Layer 11 · 0.34715k hours · Layer 12 · 0.34515k hours · Layer 13 · 0.34515k hours · Layer 14 · 0.34515k hours · Layer 15 · 0.34715k hours · Layer 16 · 0.35315k hours · Layer 17 · 0.36015k hours · Layer 18 · 0.38815k hours · Layer 19 · 0.42715k hours · Layer 20 · 0.45015k hours · Layer 21 · 0.51215k hours · Layer 22 · 0.5703030k hours · Layer 0 · 0.00330k hours · Layer 1 · 0.13930k hours · Layer 2 · 0.14130k hours · Layer 3 · 0.15230k hours · Layer 4 · 0.19230k hours · Layer 5 · 0.24130k hours · Layer 6 · 0.33230k hours · Layer 7 · 0.33130k hours · Layer 8 · 0.33730k hours · Layer 9 · 0.34430k hours · Layer 10 · 0.35830k hours · Layer 11 · 0.36030k hours · Layer 12 · 0.35930k hours · Layer 13 · 0.35730k hours · Layer 14 · 0.36230k hours · Layer 15 · 0.35930k hours · Layer 16 · 0.36030k hours · Layer 17 · 0.36230k hours · Layer 18 · 0.38030k hours · Layer 19 · 0.41530k hours · Layer 20 · 0.45630k hours · Layer 21 · 0.51130k hours · Layer 22 · 0.583L0L5L10L15L20L22Encoder depthPretraining data (k h)