待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/17
首次发现
来源
相关事实
待验证Snell等人在2024年发表研究《Scaling LLM Test-Time Compute Optimally》，量化了将算力从预训练转移到推理时搜索与验证的权衡关系85% 相似已验证推理时扩展（inference-time scaling）通过在推理阶段增加计算量提升模型性能，存在类似预训练的幂律关系76% 相似待验证研究显示推理时计算的扩展律与训练时计算具有相似的效益曲线72% 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2021年的Chain-of-Thought Prompting论文证明，通过在提示词中加入推理步骤示例，模型的数学推理准确率可提升数十个百分点70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/547003API
curl https://kongchang.com/api/v1/knowledge/claims/547003MCP
get_claim(id=547003)