Unverified50% confidenceFactExact time
Kaplan等人2020年的Scaling Law论文揭示，在固定算力预算下，模型参数量与训练token数存在最优比例关系（Chinchilla最优）
1
Sources
50%
Confidence
Long-term
Relevance
7/16/2026
First Seen
Sources
Related Claims
Verified2020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74% similarUnverified2020年Kaplan等人提出原始Scaling Law，倾向于在固定算力下优先扩大模型参数量74% similarUnverified2020年Kaplan等人提出的原始Scaling Law倾向于在固定算力下优先扩大模型参数量，导致GPT-3等模型相对训练数据量参数偏大72% similarUnverified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72% similarUnverifiedSnell等人2024年的研究量化了当模型规模固定时，增加推理算力的边际收益在许多任务上优于同等算力用于继续预训练72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/530834API
curl https://kongchang.com/api/v1/knowledge/claims/530834MCP
get_claim(id=530834)