待验证50% 置信事实精确时间

论文发现对于固定的算力预算，训练一个更小的模型训练更长时间，往往比训练大模型效果更好，这与Chinchilla定律相悖

1

来源数

50%

置信度

长期有效

时效性

2026/8/13

首次发现

来源

预训练与RL的Scaling Law：国际象棋实验揭示后训练算力分配规律

相关事实

待验证Chinchilla定律指出在固定计算预算下，适当缩小模型规模并增加训练数据量往往能获得更好的性能79% 相似待验证微调通常只需原始训练成本的百分之一甚至更少，便能获得接近专用模型的领域表现76% 相似待验证单纯堆砌参数而训练数据不足会导致模型大而不强，参数跃升需配合同步扩大的训练语料与算力才能兑现能力增益76% 相似已验证通过更高质量的训练数据、更优化的训练策略和更精细的后训练对齐，较小规模的模型可以在实际任务上完全超越规模更大但训练质量较低的模型76% 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75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/742559

API

curl https://kongchang.com/api/v1/knowledge/claims/742559

MCP

get_claim(id=742559)