已验证65% 置信事实精确时间
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
3
来源数
65%
置信度
长期有效
时效性
2026/7/22
首次发现
来源
相关事实
待验证缩放定律表明模型在特定任务上的表现与训练数据量、模型参数量和计算量之间存在幂律关系，OpenAI、DeepMind等机构的研究支持这一发现80% 相似待验证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74% 相似待验证OpenAI研究员在2020年提出预训练损失与计算量之间存在幂律关系（Scaling Laws）73% 相似待验证OpenAI研究发现推理时算力的扩展曲线与训练时算力具有相似的幂律特性，更多推理计算通常带来更高任务准确率73% 相似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71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/593729API
curl https://kongchang.com/api/v1/knowledge/claims/593729MCP
get_claim(id=593729)