待验证50% 置信事实精确时间

Scaling Laws描述的是预训练损失的下降，而非所有下游能力的线性提升，部分能力如复杂推理呈现涌现特性

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

OpenAI首席科学家：AI是「异类智能」而非数字人类

涉及实体

Scaling Lawsconcept

相关事实

已验证单纯增加模型参数和训练数据的边际收益正在递减，即'Scaling Law放缓'现象79% 相似待验证文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑73% 相似待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关73% 相似待验证跨域微调时学习率过大会破坏预训练权重，过小则几乎学不动，需权衡设置73% 相似已验证在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/901923

API

curl https://kongchang.com/api/v1/knowledge/claims/901923

MCP

get_claim(id=901923)