待验证50% 置信观点精确时间
通过更大参数、更多数据、更强算力来提升模型能力（Scaling Law）依然是各大实验室的核心策略之一
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/12
首次发现
有效期至：2026/12/11
来源
涉及实体
相关事实
已验证推理时计算扩展（Test-time Compute Scaling）通过在推理阶段投入更多计算资源来提升模型性能，研究表明在某些任务上比单纯增大模型参数更加高效73% 相似待验证在数据充足、算力允许的前提下，构建足够大的过参数化模型配合合适正则化策略，往往能获得比中等规模模型更好的效果71% 相似待验证推理时计算在模型参数固定的前提下，通过在推理阶段投入更多计算资源来改善输出质量69% 相似待验证推理时扩展在推理阶段增加计算量（如beam search、Best-of-N采样、蒙特卡洛树搜索），模型性能可随计算量增加持续提升并存在幂律关系69% 相似待验证在需要深度推理、长上下文处理或专业知识的复杂场景中，更大规模的模型往往仍具优势69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/913792API
curl https://kongchang.com/api/v1/knowledge/claims/913792MCP
get_claim(id=913792)