待验证50% 置信事实精确时间

在固定计算资源下，参数过多但数据不足会导致模型无法充分学习，数据海量但参数不足则模型缺乏容量捕捉复杂模式

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

如何找到最优模型规模：数据、成本与性能的多维权衡

涉及实体

Scaling Lawsconcept

相关事实

待验证过拟合的根本原因是模型容量过大或正则化不足，解法包括正则化、数据增强或减小模型复杂度79% 相似待验证模型性能的瓶颈不仅在于参数量，更在于表示的质量，嵌入空间坍缩的模型即使参数再多也无法充分发挥潜力76% 相似待验证数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降75% 相似待验证当模型规模跨越某些阈值后会涌现出此前不具备的能力（涌现能力），如多步逻辑推理和复杂数学计算74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/898011

API

curl https://kongchang.com/api/v1/knowledge/claims/898011

MCP

get_claim(id=898011)