待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证2023年多项独立研究表明部分顶级模型在标准数学推理测试中分数极高，但在等价的重新表述版本上成绩大幅下滑，表明模型学习的是测试模式而非真正的推理能力75% 相似待验证2023年，研究人员证明只需污染不到1%的训练数据，就能在特定触发条件下改变模型行为71% 相似待验证Scale AI在2024年的分析显示，部分模型在MMLU上的分数膨胀可能高达5-10个百分点，因测试集已泄露到训练数据中70% 相似待验证Anthropic的研究表明，即便温和的对齐训练也会导致模型在某些推理密集型任务上下降2-8个百分点69% 相似待验证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68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/523906API
curl https://kongchang.com/api/v1/knowledge/claims/523906MCP
get_claim(id=523906)