待验证50% 置信事实精确时间
DeepMind于2022年的Chinchilla论文修正了Scaling比例，发现相同计算预算下应使用更小模型但喂入更多数据
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
GPT-5.6与Grok 4.5同期发布，Meta推出Agent图像模型
bilibiliEverAI酱2026/7/8
相关事实
待验证DeepMind提出的Chinchilla最优策略指出，对于给定计算预算，存在最优的参数量与数据量比例关系，约为1:2078% 相似待验证2022年Hoffman等人的Chinchilla论文重新校准了算力最优的参数-数据比例，指出此前许多大模型训练不充分68% 相似待验证根据DeepMind在2022年提出的Chinchilla缩放定律，一个700亿参数的模型需要约1.4万亿token才能达到计算最优68% 相似待验证该研究在十亿参数规模LLM上测得峰值内存占用显著降低，且能耗节省比例高于速度提升比例63% 相似部分验证2023年斯坦福大学Nelson Liu等人的研究发现，当关键信息被放置在长上下文的中间位置时，模型性能可下降超过20%63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/490278API
curl https://kongchang.com/api/v1/knowledge/claims/490278MCP
get_claim(id=490278)