待验证50% 置信事实精确时间
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）
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
待验证在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减74% 相似待验证规模缩放定律研究表明，增大模型参数量能提升常见知识准确性，但对长尾事实的改善边际效益递减74% 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'72% 相似待验证随着大模型推理能力增强，单次调用消耗的token显著攀升，在固定用量限制下形成「更强模型」与「更快触及上限」的悖论72% 相似待验证在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，即scaling law的收益递减区间70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/531093API
curl https://kongchang.com/api/v1/knowledge/claims/531093MCP
get_claim(id=531093)