Verified65% confidenceFactExact time
DeepMind的Chinchilla研究（2022）指出最优训练应让数据量与参数量保持大致1:1的比例增长
3
Sources
65%
Confidence
Long-term
Relevance
7/12/2026
First Seen
Sources
GPT-5.6全系列模型体验指南：API中转站使用详解与风险提示
bilibili道一安全7/10/2026
Related Claims
Verified2022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83% similarUnverifiedChinchilla论文修正了预训练中计算与数据的最优比例关系77% similarUnverifiedChinchilla缩放定律指出最优训练token数应与模型参数量成正比，参数翻倍时训练数据和计算成本至少翻倍75% similarUnverified小模型通过知识蒸馏通常比直接在标注数据上训练精度高出2-5个百分点74% similarUnverifiedChinchilla定律指出在固定计算预算下，适当缩小模型规模并增加训练数据量往往能获得更好的性能74% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/489536API
curl https://kongchang.com/api/v1/knowledge/claims/489536MCP
get_claim(id=489536)