待验证50% 置信事实精确时间
2024年以来DeepSeek等团队证明通过更精巧的训练策略，可以用远低于领先模型的算力预算达到接近的性能水平
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/3
首次发现
有效期至：2026/12/2
来源
涉及实体
相关事实
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74% 相似待验证自适应推理技术路线包括难度感知路由、早停机制、预算控制训练及Mixture-of-Depths等，Meta、Google DeepMind等机构在2024-2025年间发表了相关工作73% 相似待验证团队认为在长序列上训练是解决拼接片段接缝问题的方案，且依赖稀疏注意力工作降低训练成本，属于未来的模型迭代72% 相似待验证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72% 相似已验证2022年DeepMind的Chinchilla论文指出同等算力预算下应均衡增大模型尺寸与训练数据量71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/850196API
curl https://kongchang.com/api/v1/knowledge/claims/850196MCP
get_claim(id=850196)