待验证60% 置信事实时间未知
2020年OpenAI研究人员Kaplan等人发表论文首次系统性揭示语言模型性能与模型参数量、训练数据量、计算量之间存在可预测的幂律关系（Scaling Law）
2
来源数
60%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
AI预测中的"方向性准确"：为什么比精确预测更有价值
twitterlevelsio
涉及实体
相关事实
待验证2020年OpenAI的Kaplan等人论文首次系统证明神经网络性能与模型参数量、训练数据量、计算量之间存在幂律关系83% 相似待验证缩放定律由OpenAI研究人员Kaplan等人于2020年在论文《Scaling Laws for Neural Language Models》中正式提出83% 相似已验证Scaling Law最早由OpenAI研究员在2020年的论文《Scaling Laws for Neural Language Models》中系统性地提出和量化77% 相似待验证TogetherAI 在 2024 年发表研究论文将集成学习思路引入大语言模型领域，实验表明将多个开源模型输出交由聚合模型综合处理后结果可超越任何单一模型70% 相似已验证Anthropic于2024年发表了'字典学习'（Dictionary Learning）研究，首次大规模揭示了大语言模型内部的特征表示结构62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/7298API
curl https://kongchang.com/api/v1/knowledge/claims/7298MCP
get_claim(id=7298)