待验证60% 置信事实精确时间

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

2

来源数

60%

置信度

长期有效

时效性

2026/7/8

首次发现

来源

验证循环让DeepSeek智能翻4倍，成本仅Claude Opus七分之一

hackernewshackernews2026/7/7

相关事实

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82% 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71% 相似待验证美国AI监管以模型训练算力阈值（以FLOP为单位）作为触发强制报备义务的量化指标71% 相似待验证批次归一化在训练模式使用当前批次统计量，在推理模式使用训练过程中累积的移动平均值70% 相似待验证2024年多项研究发现部分模型在标准基准上的优秀表现源于训练数据中混入了基准测试题目本身（数据污染）70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/274900

API

curl https://kongchang.com/api/v1/knowledge/claims/274900

MCP

get_claim(id=274900)