Qwen2.5-7B の学習において、最終 Perplexity を 13.21 から 10.74 へ 18.7% 改善し、学習時間を 1.10 倍高速化した。

学習率 3e-3 という極めて高いストレス条件下で、標準的な AdamW が Perplexity 1885.24 と破綻する中、LBW-Guard は 11.57 を維持し学習を完遂させた。

AdamW の更新ルール自体を置き換えるのではなく、上位の「統治レイヤー」としてテレメトリに基づきオプティマイザの実行を制約するアプローチを採用している。

Qwen2.5 (3B/7B/14B) および TinyLlama-1B のフルパラメータ学習において、勾配クリッピング等の既存手法では到達できない安定化効果を一貫して確認した。

大規模モデルの学習における「学習の爆発（不安定性）」は計算リソースの甚大な損失を招くが、本手法はこのリスクをオプティマイザの外部から自律的に抑制できる。

ハイパーパラメータ設定（特に学習率）の許容範囲が広がるため、試行錯誤の回数を減らし、計算コストの高い大規模ランの成功率を直接的に高めることができる。

既存の勾配クリッピング（Gradient Clipping）では防げない種類の不安定性を、システム制御の観点から解決する新しい設計指針を提示している。