待验证50% 置信事实精确时间
DeepMind提出的Chinchilla最优策略指出，对于给定计算预算，存在最优的参数量与数据量比例关系，约为1:20
1
来源数
50%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证DeepMind于2022年的Chinchilla论文修正了Scaling比例，发现相同计算预算下应使用更小模型但喂入更多数据78% 相似待验证根据DeepMind在2022年提出的Chinchilla缩放定律，一个700亿参数的模型需要约1.4万亿token才能达到计算最优73% 相似待验证参数量在1亿以下的轻量模型经领域数据微调后可达95%以上意图分类准确率，单次推理延迟控制在5-20ms以内68% 相似待验证2022年Hoffman等人的Chinchilla论文重新校准了算力最优的参数-数据比例，指出此前许多大模型训练不充分65% 相似待验证假设数据服从高斯分布，最大化似然等价于最小化均方误差64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/694343API
curl https://kongchang.com/api/v1/knowledge/claims/694343MCP
get_claim(id=694343)