待验证50% 置信事实精确时间
2022年DeepMind发布的Chinchilla论文修正了原始Scaling Laws，指出应在给定计算预算下同比例扩展参数量和训练数据量
1
来源数
50%
置信度
长期有效
时效性
2026/7/14
首次发现
来源
相关事实
待验证Chinchilla论文指出参数量与数据量需要等比例扩展64% 相似待验证OpenAI、DeepMind等机构的研究表明模型性能随参数量、数据量和计算量的增加呈幂律提升（Scaling Law）62% 相似待验证2023年多项学术研究证明，即使经过严格安全对齐训练的模型，当恶意指令以自然语言文档形式出现在上下文窗口中时，其遵循率仍显著高于直接注入场景60% 相似待验证单纯增加模型参数和训练数据的边际收益正在递减，即'Scaling Law放缓'现象60% 相似待验证随着模型参数从数千亿扩展到数万亿，每增加一个数量级的算力所带来的性能提升越来越小，学术界称之为Scaling Laws的'天花板效应'59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/504032API
curl https://kongchang.com/api/v1/knowledge/claims/504032MCP
get_claim(id=504032)