已验证90% 置信事实精确时间

2022年DeepMind发布Chinchilla论文，修正了最优训练配比，指出在给定算力预算下模型参数量与训练token数应大致保持1:20的比例

12

来源数

90%

置信度

长期有效

时效性

2026/7/7

首次发现

来源

Java程序员转型AI应用开发：航空智能客服实战指南

bilibili巴卜大模型2026/7/6

相关事实

待验证训练FLOPs可通过Chinchilla缩放定律估算，计算量约等于6乘以参数量乘以训练token数72% 相似待验证该计划采用月度周期递增（Training Max每周期仅增加很小幅度），内置保守起始建议（以真实1RM的85-90%作为训练最大值），适合需要长期、低伤害风险地积累力量的中高级训练者70% 相似待验证当前主流大模型的训练数据量已达到十几T甚至六十T token69% 相似待验证主流大模型的训练数据通常有6-18个月的滞后期67% 相似待验证LLaMA 1的训练数据量为1.4T token，LLaMA 2的训练数据量为2T token63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/149732

API

curl https://kongchang.com/api/v1/knowledge/claims/149732

MCP

get_claim(id=149732)