已过期65% 置信事实精确时间

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

3

来源数

65%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30(已过期)

来源

Java Developer's Guide to AI Application Development: Career Path, Skills, and Hands-On Strategy

bilibili程序员徐庶老师2026/6/5

相关事实

待验证Scaling Laws描述的是预训练损失的下降，而非所有下游能力的线性提升，部分能力如复杂推理呈现涌现特性79% 相似待验证Copilot 基于统计模式预测，训练数据中出现频次较低的技术配置生成质量会显著下降77% 相似待验证数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降77% 相似待验证实验表明，仅经过数代自我训练，模型输出的方差就会急剧缩小，文本趋于同质化76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/52875

API

curl https://kongchang.com/api/v1/knowledge/claims/52875

MCP

get_claim(id=52875)