待验证50% 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）
1
来源数
50%
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% 相似待验证扩展假设由OpenAI研究员Jared Kaplan等人于2020年的扩展定律论文中量化阐述，核心是模型性能与参数量、数据量、计算量存在幂律关系72% 相似待验证Snell等人2024年的研究量化了当模型规模固定时，增加推理算力的边际收益在许多任务上优于同等算力用于继续预训练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)