待验证50% 置信事实精确时间
Scaling Law研究发现在算力和数据按比例增加时模型性能持续提升，但提升幅度是否衰减仍存在争议
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/17
首次发现
有效期至：2026/12/16
来源
涉及实体
相关事实
待验证单纯扩大参数规模带来的性能提升呈现边际递减趋势，被称为Scaling Law的天花板效应78% 相似待验证规模缩放定律研究表明，增大模型参数量能提升常见知识准确性，但对长尾事实的改善边际效益递减74% 相似待验证OpenAI、DeepMind等机构的研究表明模型性能随参数量、数据量和计算量的增加呈幂律提升（Scaling Law）72% 相似待验证随着模型参数从数千亿扩展到数万亿，每增加一个数量级的算力所带来的性能提升越来越小，学术界称之为Scaling Laws的'天花板效应'70% 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70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/928790API
curl https://kongchang.com/api/v1/knowledge/claims/928790MCP
get_claim(id=928790)