待验证50% 置信事实精确时间
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
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2020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% 相似待验证2020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% 相似待验证扩展假设由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% 相似已验证Scaling 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% 相似待验证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）74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/536161API
curl https://kongchang.com/api/v1/knowledge/claims/536161MCP
get_claim(id=536161)