待验证50% 置信事实精确时间

Scaling Laws发现语言模型交叉熵损失与参数量N、数据集大小D、计算量C存在幂律关系，约为L ∝ N^(-0.076)、L ∝ D^(-0.095)、L ∝ C^(-0.050)

1

来源数

50%

置信度

长期有效

时效性

2026/8/4

首次发现

来源

AI模型延期两月仍难敌Opus？发布节奏与用户预期的博弈

相关事实

已验证交叉熵损失起源于信息论中的KL散度，衡量真实概率分布与预测概率分布之间的差异程度63% 相似已验证分类任务常用交叉熵损失（Cross-Entropy Loss），回归任务常用均方误差（MSE）61% 相似待验证对于平稳遍历过程，熵率极限存在且等于条件熵极限 lim H(X_n|X_{n-1},...,X_1)59% 相似待验证如果交叉熵稳步下降而Dice波动剧烈，问题几乎可以确定出在Dice损失的配置上57% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/684161

API

curl https://kongchang.com/api/v1/knowledge/claims/684161

MCP

get_claim(id=684161)