待验证50% 置信事实精确时间

自2024年以来，多项研究和产业实践显示单纯增加参数量带来的收益正在递减，训练成本呈指数增长而基准测试分数提升趋于平缓

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/8/28

首次发现

有效期至：2026/11/26

来源

扩大LLM规模为何无法实现真正的智能体自主性

涉及实体

Scaling Lawconcept

相关事实

待验证2024年下半年以来，业界普遍观察到主流大模型在标准评测集上的得分提升幅度明显收窄，这一现象被称为'Scaling Law放缓'69% 相似待验证2024年研究表明即使AI生成内容仅占训练数据的10-20%，在多代训练后也足以引发可测量的质量退化68% 相似待验证测试时计算扩展的边际收益并非线性，存在明显的收益递减区间67% 相似待验证自回归缩放定律的边际收益正在递减，单纯增加模型规模和数据量带来的提升已微乎其微67% 相似待验证业界估算当前主流LLM推理成本每18个月下降约75%，但需求增长速度更快导致总成本持续上升67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/815973

API

curl https://kongchang.com/api/v1/knowledge/claims/815973

MCP

get_claim(id=815973)