待验证60% 置信事实精确时间
Kaplan等人2020年的Scaling Law论文揭示，在固定算力预算下，模型参数量与训练token数存在最优比例关系（Chinchilla最优）
2
来源数
60%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
已验证2020年OpenAI的Kaplan等人揭示了模型性能与参数量、训练数据量和计算预算之间存在可预测的幂律关系80% 相似待验证Chinchilla缩放定律的核心发现是：在固定计算预算下，同步增加模型参数和训练数据量才能获得最优性能77% 相似已验证2020年Kaplan等人确立的扩展定律表明模型性能与参数量、数据量和计算量之间存在幂律关系74% 相似待验证2020年Kaplan等人提出原始Scaling Law，倾向于在固定算力下优先扩大模型参数量74% 相似待验证2020年Kaplan等人提出的原始Scaling Law倾向于在固定算力下优先扩大模型参数量，导致GPT-3等模型相对训练数据量参数偏大72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/530834API
curl https://kongchang.com/api/v1/knowledge/claims/530834MCP
get_claim(id=530834)