待验证50% 置信事实精确时间
传统Scaling Laws描述模型能力与训练参数量、数据量、计算量之间的幂律关系，其隐含前提是模型训练一次能力就固定下来。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
待验证训练时扩展定律（scaling law）由Kaplan等人在2020年提出，认为模型能力主要由参数量、训练数据量和训练算力决定76% 相似已验证OpenAI提出的Scaling Law揭示模型性能随参数量、训练数据量和计算量的增加呈现可预测的幂律式提升75% 相似待验证缩放定律表明模型在特定任务上的表现与训练数据量、模型参数量和计算量之间存在幂律关系，OpenAI、DeepMind等机构的研究支持这一发现75% 相似待验证Kaplan等人2020年的研究表明模型参数量、训练数据量、训练计算量三者与性能之间存在可预测的幂律关系72% 相似待验证对于纯推理场景，模型权重通常只需一次性加载，数据重力的束缚远不如训练阶段显著70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1047930API
curl https://kongchang.com/api/v1/knowledge/claims/1047930MCP
get_claim(id=1047930)