已验证65% 置信事实精确时间

DeepMind的Chinchilla研究（2022）指出最优训练应让数据量与参数量保持大致1:1的比例增长

3

来源数

65%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

GPT-5.6全系列模型体验指南：API中转站使用详解与风险提示

bilibili道一安全2026/7/10

相关事实

已验证2022年DeepMind的Chinchilla论文指出同等算力预算下应均衡增大模型尺寸与训练数据量83% 相似待验证Chinchilla缩放定律指出最优训练token数应与模型参数量成正比，参数翻倍时训练数据和计算成本至少翻倍75% 相似待验证小模型通过知识蒸馏通常比直接在标注数据上训练精度高出2-5个百分点74% 相似待验证Chinchilla定律指出在固定计算预算下，适当缩小模型规模并增加训练数据量往往能获得更好的性能74% 相似待验证单看epoch数量无法判断训练是否充分，必须结合数据集规模、学习率、模型容量综合评估71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/489536

API

curl https://kongchang.com/api/v1/knowledge/claims/489536

MCP

get_claim(id=489536)