待验证50% 置信事实精确时间
Kaplan等人在2020年提出的神经网络缩放定律表明模型性能与数据量、参数量、计算量之间存在幂律关系，模型交叉熵损失L与参数量N满足L ∝ N^(-α)
1
来源数
50%
置信度
长期有效
时效性
2026/9/4
首次发现
来源
涉及实体
相关事实
已验证2020年Kaplan等人确立的扩展定律表明模型性能与参数量、数据量和计算量之间存在幂律关系78% 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77% 相似待验证大模型中的参数在数学上是神经网络每条连接边上的权重数值和偏置值，训练前随机初始化，通过反向传播算法和梯度下降不断调整72% 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71% 相似待验证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70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/855435API
curl https://kongchang.com/api/v1/knowledge/claims/855435MCP
get_claim(id=855435)