已验证80% 置信事实精确时间
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
8
来源数
80%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
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2026/7/10
相关事实
已验证2022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% 相似待验证DeepMind的Chinchilla定律（源自2022年论文《Training Compute-Optimal Large Language Models》）表明模型性能取决于参数量和训练token数的最优配比，最优训练量约为参数量的20倍77% 相似待验证Chinchilla论文修正了预训练中计算与数据的最优比例关系77% 相似待验证DeepMind的Chinchilla研究指出此前的模型普遍过大而欠训练，即参数量过多但训练数据不足77% 相似待验证Chinchilla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% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/489536API
curl https://kongchang.com/api/v1/knowledge/claims/489536MCP
get_claim(id=489536)