待验证70% 置信事实精确时间
Kaplan等人的论文《Scaling Laws for Neural Language Models》来自OpenAI，首次系统性地用幂律关系描述模型性能与参数量、数据量、算力的关系
2
来源数
70%
置信度
长期有效
时效性
2026/8/19
首次发现
来源
涉及实体
相关事实
已验证规模定律由OpenAI研究员Jared Kaplan等人于2020年系统论证，核心发现是语言模型交叉熵损失与模型参数量、训练数据量、计算量之间存在幂律关系74% 相似待验证推理时计算（Test-Time Compute）的理论基础可追溯至2020年OpenAI发布的《Scaling Laws for Neural Language Models》论文74% 相似待验证扩展假设由OpenAI研究员Jared Kaplan等人于2020年的扩展定律论文中量化阐述，核心是模型性能与参数量、数据量、计算量存在幂律关系74% 相似已验证2020年OpenAI的Kaplan等人揭示了模型性能与参数量、训练数据量和计算预算之间存在可预测的幂律关系72% 相似已验证Scaling Law 最早由 Kaplan 等人于2020年在语言模型研究中系统量化，指出模型性能与参数量、数据量、计算量之间存在幂律关系72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/796923API
curl https://kongchang.com/api/v1/knowledge/claims/796923MCP
get_claim(id=796923)