待验证50% 置信事实精确时间

Kaplan等人2020年的研究表明模型参数量、训练数据量、训练计算量三者与性能之间存在可预测的幂律关系

1

来源数

50%

置信度

长期有效

时效性

2026/7/21

首次发现

来源

AI测试事故启示：专业用户为何悄然抛弃GPT旗舰模型

相关事实

待验证训练时扩展定律（scaling law）由Kaplan等人在2020年提出，认为模型能力主要由参数量、训练数据量和训练算力决定82% 相似待验证2024年多项研究发现部分模型在标准基准上的优秀表现源于训练数据中混入了基准测试题目本身（数据污染）74% 相似已验证OpenAI提出的Scaling Law揭示模型性能随参数量、训练数据量和计算量的增加呈现可预测的幂律式提升74% 相似待验证根据Chinchilla定律及其后续研究，模型性能与训练计算量之间存在幂律关系73% 相似待验证批次归一化在训练模式使用当前批次统计量，在推理模式使用训练过程中累积的移动平均值71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/576257

API

curl https://kongchang.com/api/v1/knowledge/claims/576257

MCP

get_claim(id=576257)