待验证50% 置信事实精确时间
大语言模型的能力和行为深度依赖训练数据
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证指令微调（Instruction Tuning）阶段的训练数据包含大量创意写作、商务邮件模板和角色扮演对话样本，使模型掌握各种文体格式79% 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78% 相似待验证大语言模型具有涌现能力（Emergent Abilities），当模型参数规模和训练数据量达到一定阈值后，会突然展现出训练目标中未明确要求的能力，如幽默感、隐喻运用、场景共情等77% 相似待验证大语言模型对自身身份的报告依赖训练数据和系统提示中的信息注入，并非对运行时环境的直接读取，因此让模型自述身份存在技术局限76% 相似待验证大规模多任务学习使大语言模型形成跨领域的涌现能力（Emergent Abilities），即在训练时未被显式教导的任务上也能表现出色76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/905296API
curl https://kongchang.com/api/v1/knowledge/claims/905296MCP
get_claim(id=905296)