Unverified50% confidenceFactExact time
2020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
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82% 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80% 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75% similarVerifiedScaling Law 最早由 Kaplan 等人于2020年在语言模型研究中系统量化，指出模型性能与参数量、数据量、计算量之间存在幂律关系74% similarUnverifiedKaplan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）74% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/536161API
curl https://kongchang.com/api/v1/knowledge/claims/536161MCP
get_claim(id=536161)