待验证50% 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
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/19
首次发现
有效期至：2026/10/17
来源
相关事实
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% 相似待验证知识蒸馏技术使小模型可从大模型中提取相当比例能力，动摇了固定算力阈值作为能力代理指标的有效性70% 相似待验证子代理通过模型覆盖参数指定使用较小的模型，并接收不依赖主循环上下文的自包含提示词69% 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69% 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)