已过期70% 置信事实精确时间
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
2
来源数
70%
置信度
中期 (~90 天)
时效性
2026/7/19
首次发现
有效期至：2026/10/17(已过期)
来源
相关事实
待验证模型路由策略可将简单子任务分配给小模型（如GPT-4o-mini），仅将复杂推理交给大模型以降低成本76% 相似待验证建议先用真实提示词在目标模型上做小规模验证以量化能力差距，再决定完全替换还是混合方案72% 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71% 相似待验证通过模型蒸馏和微调，企业可训练出参数量仅为旗舰模型1/100的专用模型，在特定任务上以极低推理成本实现接近大模型的效果70% 相似待验证普通大模型的工具调用是被动的，模型只能声明想调用某个函数及其参数，实际执行仍需外部系统完成70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/561826API
curl https://kongchang.com/api/v1/knowledge/claims/561826MCP
get_claim(id=561826)