待验证50% 置信事实精确时间
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
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80% 相似待验证研究者发现当模型参数量跨越某一阈值时，代码推理能力会出现非线性跃升，这一现象在GPT-4、Claude 3等模型上均有体现75% 相似待验证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）72% 相似待验证当前机制可解释性的大多数成果集中于参数规模较小的模型（如GPT-2级别），现有方法能否迁移到数千亿参数的前沿大模型尚未验证71% 相似待验证当前主流代码生成模型（包括 GPT-4、Claude 等）本质是基于代码语料训练的概率模型，训练目标是预测下一个 token 的条件概率，而非执行逻辑验证69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/533669API
curl https://kongchang.com/api/v1/knowledge/claims/533669MCP
get_claim(id=533669)