Verified90% confidenceFactExact time
2022年DeepMind发布Chinchilla论文，修正了最优训练配比，指出在给定算力预算下模型参数量与训练token数应大致保持1:20的比例
12
Sources
90%
Confidence
Long-term
Relevance
7/7/2026
First Seen
Sources
Java程序员转型AI应用开发：航空智能客服实战指南
bilibili巴卜大模型7/6/2026
Related Claims
Unverified训练FLOPs可通过Chinchilla缩放定律估算，计算量约等于6乘以参数量乘以训练token数72% similarUnverified该计划采用月度周期递增（Training Max每周期仅增加很小幅度），内置保守起始建议（以真实1RM的85-90%作为训练最大值），适合需要长期、低伤害风险地积累力量的中高级训练者70% similarUnverified当前主流大模型的训练数据量已达到十几T甚至六十T token69% similarUnverified主流大模型的训练数据通常有6-18个月的滞后期67% similarUnverifiedLLaMA 1的训练数据量为1.4T token，LLaMA 2的训练数据量为2T token63% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/149732API
curl https://kongchang.com/api/v1/knowledge/claims/149732MCP
get_claim(id=149732)