待验证60% 置信事实精确时间
Scaling Law研究发现模型性能（以交叉熵损失衡量）与模型参数量、数据集大小、计算量之间存在可预测的幂律关系
2
来源数
60%
置信度
长期有效
时效性
2026/8/28
首次发现
来源
涉及实体
相关事实
已验证Scaling Law研究发现模型性能与模型参数量N、数据集大小D、训练计算量C之间呈现平滑的幂律关系80% 相似已验证规模定律由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76% 相似待验证缩放定律最初在语言模型研究中被广泛验证，指模型性能随模型规模、数据量和计算量的增加而呈现可预测的幂律关系。74% 相似待验证规模律揭示了模型损失与参数量、数据量、算力之间近乎幂律的关系74% 相似待验证缩放定律（Scaling Laws）指模型性能（如损失函数值）与模型参数量、数据量、计算量之间呈现幂律关系。72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/815971API
curl https://kongchang.com/api/v1/knowledge/claims/815971MCP
get_claim(id=815971)