渐变剪切在训练大规模自动语音识别（ASR）模型中起着至关重要的作用。本研究系统地调查了一种特定细粒度的渐变剪切方法，即每个核心剪切（PCC），对于训练各种 ASR 模型的影响。我们经验证明，PCC 可以有效地减轻 ASR 模型中的非预期记忆。令人惊讶的是，我们发现 PCC 对于 ASR 性能指标产生了积极影响，提高了收敛速度并降低了词错误率。为了避免调整 PCC 引入的额外超参数，我们进一步提出了一种新的变种，自适应每个核心剪切（APCC），用于简化优化。我们的研究结果突显了 PCC 作为一种稳健、保护隐私的 ASR 模型训练策略的多方面优势。