待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
已验证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83% 相似待验证Chinchilla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82% 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73% 相似待验证论文发现对于固定的算力预算，训练一个更小的模型训练更长时间，往往比训练大模型效果更好，这与Chinchilla定律相悖73% 相似待验证根据Chinchilla定律及其后续研究，模型性能与训练计算量之间存在幂律关系70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/527112API
curl https://kongchang.com/api/v1/knowledge/claims/527112MCP
get_claim(id=527112)