什么是 Scaling Law？Chinchilla 给出了什么结论？

简化版

Scaling Law（缩放定律） 是一条经验规律：大模型的测试损失会随着参数量 N、数据量 D、算力 C 的增大而按幂律平滑下降——也就是「加规模就变强，且可预测」。Chinchilla（DeepMind 2022） 修正了早期结论，指出在固定算力预算下，参数量和数据量应当同比例增长，此前的大模型（如 GPT-3、Gopher）都训练数据不足、参数过多。它的经验法则是：每个参数大约配 20 个训练 token 才算「算力最优（compute-optimal）」。据此训练的 70B Chinchilla 用 1.4T token，反超了 280B 的 Gopher。

详细版

Scaling Law 说了什么

Kaplan 等人 2020 发现，语言模型的损失 L 与 N、D、C 之间存在幂律关系（在很大范围内平滑、可外推）：

L(N) ≈ (N_c / N)^α_N     # 损失随参数量幂律下降
L(D) ≈ (D_c / D)^α_D     # 损失随数据量幂律下降

意义重大：可以用小模型的实验结果外推出大模型的表现，从而在真正烧钱训练前就预测效果、规划资源。

Chinchilla 的修正

Kaplan 的工作倾向于「优先加参数」，导致业界一窝蜂造大模型但喂的数据不够。Chinchilla 重新做实验，结论是：

给定算力 C（约等于 C ≈ 6ND），最优配置是让 N 和 D 同比例放大。
经验比例约为 D ≈ 20 × N（每参数约 20 token）。
实证：Chinchilla（70B, 1.4T token）全面优于 Gopher（280B, 300B token），用更小的模型 + 更多数据，在同等算力下效果更好、推理还更便宜。

对比

模型	参数量	训练 token	token/参数	是否算力最优
GPT-3	175B	300B	~1.7	数据严重不足
Gopher	280B	300B	~1.1	数据严重不足
Chinchilla	70B	1.4T	~20	接近最优
Llama 系	7B~70B	1T~15T	远超 20	为推理便宜”过度训练”

完整版教学

一、Scaling Law 为什么是大模型时代的”底层信仰”

在 Scaling Law 出现之前，做深度学习靠调结构、试超参、拼技巧。Scaling Law 揭示了一件颠覆性的事：模型效果主要由规模（参数、数据、算力）决定，且这种关系是平滑、可预测的幂律。

这带来两个深远影响：

可预测性：可以先用一系列小模型跑实验，拟合出幂律曲线，外推预测「花 X 算力能达到什么损失」，把训练大模型从”赌博”变成”工程规划”。GPT-4 就公开说用了这种方法预测最终性能。
确定性路线：既然「加规模就变强」，那战略就清晰了——堆参数、堆数据、堆算力。这条信仰直接驱动了近年大模型的军备竞赛。

简要说把握：Scaling Law 让「变强」这件事从玄学变成了可外推的曲线——这是它最大的价值。

二、三个变量：N、D、C 的关系

N（参数量）：模型容量，决定能记多少、拟合多复杂的函数。
D（数据量）：训练 token 数，决定见过多少、学到多少。
C（算力）：训练总计算量，近似 C ≈ 6ND（6 倍于「参数 × token」的 FLOPs）。

三者互相制约：算力有限时，你只能在「更大模型 + 更少数据」和「更小模型 + 更多数据」之间权衡。Scaling Law 要回答的核心问题就是：给定算力预算 C，N 和 D 各分多少最划算？ 这正是 Chinchilla 的贡献。

三、Kaplan vs Chinchilla：一次重要的观点修正

Kaplan（2020） 的实验暗示：算力增加时，应该把大部分投到参数量上，数据量增长可以慢一些。于是 GPT-3（175B）、Gopher（280B）等都造得很大，但只喂了约 300B token。

Chinchilla（2022） 重新、更严谨地扫描了 N 和 D 的组合，发现 Kaplan 的实验设置（如学习率调度）有偏差，真实的最优是：N 和 D 应当同比例增长——参数翻倍，数据也该翻倍。按此，GPT-3、Gopher 都是「参数过剩、数据饥饿」，它们的算力其实被浪费了：同样的算力，换成小一点但训得更充分的模型会更强。

Chinchilla（70B）用 1.4T token 训练，在几乎所有基准上超过了 4 倍大的 Gopher，有力地证明了这一点。这次修正让全行业意识到：盲目堆参数不如把数据喂够。

四、“每参数 20 token”怎么用

Chinchilla 的经验法则 D ≈ 20 × N 是「算力最优」的近似：如果你有固定算力，想让训练损失最低，就按这个比例分配。例如：

想训一个 10B 模型的算力最优版，应喂约 200B token；
有 1.4T token，算力最优的模型约 70B。

但要注意：「算力最优」是”训练”最优，不是”部署”最优。 Chinchilla 只考虑了训练成本，没算推理成本。而模型一旦部署，要服务海量请求，推理成本才是长期大头。

五、为什么 Llama 们”过度训练”小模型

Llama 系列（尤其 Llama 2/3）明显偏离 Chinchilla 最优：用 7B/8B 的小模型，却喂 1T~15T token，token/参数远超 20。这是”次优”吗？不，这是清醒的取舍：

Chinchilla 最优追求的是「给定训练算力，损失最低」。
但工业界要的是「给定目标能力，部署最便宜」。
同样能力下，小模型推理更快、更省显存、更好部署。为此在训练时多喂数据（多花训练算力）把小模型「训到底」，是完全值得的——训练是一次性成本，推理是持续成本。

所以现代趋势是：为了推理效率，故意”过度训练”小模型，让它在小体积里榨出尽可能强的能力。理解「训练最优 ≠ 部署最优」这个分野，是这道题的高阶得分点。

六、用 Token 预算检查是否欠训练

按常见的 Chinchilla 量级经验，每个参数约配 20 个训练 token。7B 模型对应约 140B token，70B 对应约 1.4T token；若只有 200B token 却训练 70B 模型，计算预算很可能过多花在参数、数据不足，较小模型训练更充分可能更优。

参数量	20 token/参数的量级	固定数据下的风险
7B	140B token	相对容易训足
13B	260B token	需更多高质数据
70B	1.4T token	数据不足时欠训练

rough token budget = parameter_count * 20
7B  -> 140B tokens
70B -> 1.4T tokens

这只是特定实验条件下的经验比例，不是永久常数。推理成本、数据质量、重复训练、多模态比例与目标部署寿命都会改变最优点；工程决策应拟合自己的小规模实验曲线，再外推而不是机械套 20。

七、常见误区与追问

误区：Scaling Law 说模型越大越好。 更准确是「在数据/算力配比合理时，规模越大越好」；参数大但数据不足反而浪费算力（Chinchilla 的教训）。
误区：Chinchilla 说小模型更好。 它说的是给定算力下，N 与 D 要同比例增长，别把算力全砸参数上。
追问：C≈6ND 怎么来的？ 前向约 2ND、反向约 4ND，合计每 token 每参数约 6 FLOPs。
追问：为什么 GPT-3 被认为训练不足？ 175B 参数只配 300B token（~1.7 token/参数），远低于最优的 ~20。
追问：既然 20 token/参数最优，为什么 Llama 用几百 token/参数？ 那是为推理便宜故意过度训练小模型；训练最优≠部署最优。
追问：Scaling Law 会一直成立吗？ 幂律在很大范围内稳健，但存在数据枯竭、边际收益递减等隐忧，是否有极限仍是开放问题。

八、加强记忆

Scaling Law 记「加规模、幂律降、可外推」：损失随参数 N、数据 D、算力 C 幂律下降，且能用小模型外推大模型，把训练从赌博变成规划。 Chinchilla 记两句：「N 和 D 要同比例增长」「每参数约配 20 token 才算力最优」，据此 70B/1.4T 的 Chinchilla 反超 280B/300B 的 Gopher，证明 GPT-3/Gopher 都”参数过剩、数据饥饿”。最后钉死高阶认知——「训练算力最优（20 token/参数）≠ 部署最优」，所以 Llama 故意过度训练小模型以换取推理便宜。记住 C≈6ND 这个换算，整套账就能自己算。

简化版

详细版