训练AI像沿着误差指示的坡道下山：优化器负责决定每一步往哪走、走多远。新优化器Tauon试图把这件事做得更省算力。它与Muon都用正交化——把参数更新整理得更均衡——但作者通过频谱过滤和系数调度，把核心计算从多步压到两步，并用DCT-2缩小处理的矩阵。
作者在TinyShakespeare数据集上训练一款6层、隐藏维度512的GPT-Mini。按其自述，Tauon最终验证损失约1.60，低于Muon的1.65和AdamW的1.80；相同硬件上每步耗时391.5毫秒，较Muon的427.7毫秒快约8.5%，并接近AdamW的382.9毫秒。损失衡量预测与目标的差距，通常越低越好，但不等于模型在各种任务上都更强。
这个结果值得训练工程团队关注，因为大规模训练中，单步节省一点时间也可能积成可观成本。不过作者也直言，这只是一次“很小”的3000步实验；模型、数据集和算力规模都有限，Tauon是否真正优于Muon，仍需在固定条件下做更大规模的独立复核。