斯坦福提出 Hinted Scaling Laws：低算力预测大模型基准成绩

斯坦福团队（Percy Liang、Tatsunori Hashimoto、John Duchi 等）发布论文《Hinted Scaling Laws》，解决 scaling law 外推难题：把 benchmark 改造成一系列更容易的「带提示」降级版本，即使小模型在原基准上得零分也能据此外推大模型成绩。实验显示该方法可用约 1/5600 的算力预测 GSM8K 成绩，误差控制在 3 分以内，大幅降低 benchmark 评测成本。

2026-11-03 ~ 2026-11-04 · 4 条相关

• 斯坦福提出Hinted Scaling Laws:小模型零分也能外推大模型成绩 — heghbalz · 2026-11-03
• 斯坦福 Hinted Scaling Laws：省 5600 倍算力预测 GSM8K 成绩 — StanfordAILab · 2026-11-04
• 博士压轴论文：用带提示的降级版 benchmark，以 1/5600 算力预测 GSM8K 成绩（误差 3 分内） — kenziyuliu · 2026-11-04
• 新方法从零分模型预测基准成绩:算力省 5600 倍,误差 3 分内 — kenziyuliu · 2026-11-04