已验证90% 置信事实精确时间
OpenAI提出的Scaling Law揭示模型性能随参数量、训练数据量和计算量的增加呈现可预测的幂律式提升
9
来源数
90%
置信度
长期有效
时效性
2026/7/22
首次发现
来源
相关事实
待验证缩放定律表明模型在特定任务上的表现与训练数据量、模型参数量和计算量之间存在幂律关系，OpenAI、DeepMind等机构的研究支持这一发现80% 相似待验证这一轮AI加速的底层驱动力是scaling law（规模定律）——模型参数量、训练数据量与算力的同步扩张带来了涌现能力76% 相似待验证传统Scaling Laws描述模型能力与训练参数量、数据量、计算量之间的幂律关系，其隐含前提是模型训练一次能力就固定下来。75% 相似待验证Kaplan等人2020年的研究表明模型参数量、训练数据量、训练计算量三者与性能之间存在可预测的幂律关系74% 相似待验证模型在训练期间看到的数据，是影响其最终性能最强大的杠杆之一。74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/593729API
curl https://kongchang.com/api/v1/knowledge/claims/593729MCP
get_claim(id=593729)