Unverified50% confidenceFactExact time
自2024年以来，多项研究和产业实践显示单纯增加参数量带来的收益正在递减，训练成本呈指数增长而基准测试分数提升趋于平缓
1
Sources
50%
Confidence
Medium-term (~90 days)
Relevance
8/28/2026
First Seen
Valid until: 11/26/2026
Sources
Related Entities
Related Claims
Unverified2024年下半年以来，业界普遍观察到主流大模型在标准评测集上的得分提升幅度明显收窄，这一现象被称为'Scaling Law放缓'69% similarUnverified2024年研究表明即使AI生成内容仅占训练数据的10-20%，在多代训练后也足以引发可测量的质量退化68% similarUnverified测试时计算扩展的边际收益并非线性，存在明显的收益递减区间67% similarUnverified自回归缩放定律的边际收益正在递减，单纯增加模型规模和数据量带来的提升已微乎其微67% similarUnverified业界估算当前主流LLM推理成本每18个月下降约75%，但需求增长速度更快导致总成本持续上升67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/815973API
curl https://kongchang.com/api/v1/knowledge/claims/815973MCP
get_claim(id=815973)