llm-atlas/research/SCALING_LAWS_RESEARCH.md

# LLM Scaling Laws 研究账本

> 状态：第一轮证据框架  
> 研究截止：2026-07-29  
> 课程位置：专题 04「Scaling Laws：规模为什么有效」  
> 目标：先解释“我们到底在缩放什么、优化什么”，再讨论 Kaplan、Chinchilla、过训练、数据约束、涌现争议，以及 DeepSeek / Kimi 如何真的使用 scaling study。  
> 原则：正文关键事实来自 P0 论文 / 正式技术报告或 P1 作者实现；Grok 只提供 discovery leads。

---

## 0. 本章不是“大模型越大越好”

Scaling law 是在一个明确实验族、数据分布、训练配方和指标下，用小规模实验拟合规模变化规律，再外推更昂贵训练的工程工具。

本章必须同时回答：

1. 横轴是参数、Token、训练 FLOPs、推理请求，还是 RL / test-time compute；
2. 纵轴是交叉熵、bits-per-byte、平均下游错误率，还是某个离散 benchmark；
3. “最优”是在固定训练算力下最小化 loss，还是最小化训练与部署总成本；
4. 参数是总参数、非 embedding 参数、每 Token 激活参数，还是 non-embedding FLOPs/token；
5. 数据是训练中看过的 Token、唯一 Token、重复 Token，还是经过质量与合成处理后的“有效数据”；
6. 拟合是否覆盖目标规模，是否报告 bootstrap / confidence interval；
7. 架构、优化器、学习率、batch、warmup、tokenizer 和数据分布是否保持可比；
8. 平滑 loss 能否预测单个下游任务，所谓“涌现”是否来自指标本身；
9. Dense、MoE、多模态、后训练与推理时扩展能否放在同一条曲线上。

一句话总纲：

> Scaling law 不是自然常数，而是带条件的经验地图；地图能帮助规划路线，但不能替代目标函数、坐标定义和误差条。

---

## 1. 九张不能混在一起的账

| 账本 | 问题 | 常用量 | 最容易犯的错 |
|---|---|---|---|
| L1 观测量 | “变好”具体指什么 | CE loss、NLL、perplexity、BPB、task error | 跨 tokenizer 直接比较 perplexity |
| L2 模型规模 | 模型有多大 | total / non-embedding / active parameters | MoE 只报总参数或只报激活参数 |
| L3 数据规模 | 训练看到了什么 | seen / unique / repeated Token、epoch | 把重复 Token 当等价的新 Token |
| L4 算术量 | 理论做了多少计算 | training FLOPs、FLOPs/token | 把硬件峰值、GPU hour 与理论 FLOPs 混写 |
| L5 配比 | 固定预算怎样分 N 与 D | TPP、IsoFLOP frontier | 把 “约 20 Token/参数”当永久常数 |
| L6 配方 | 哪些超参数随规模改变 | batch、LR、warmup、schedule、shape | 用同一组超参比较不同 schedule |
| L7 外推 | 小实验能否预测大实验 | exponent、residual、CI、hold-out | 只展示拟合内误差，不做真正外推 |
| L8 经济目标 | 训练后要服务多少次 | train + inference compute / cost | 把训练最优当部署最优 |
| L9 能力与阶段 | loss 以外出现了什么 | aggregate error、task score、RL/test compute | 把不连续指标的阶跃叫物理相变 |

本章所有图、公式与互动实验都必须标明自己在付哪张账。

---

## 2. 坐标系与最小公式

### 2.1 四个基本符号

- `N`：模型规模。必须注明是 total、non-embedding，还是 active parameters。
- `D`：训练数据规模。通常是训练过程中处理的 Token 数，不自动等于唯一语料量。
- `C`：训练计算量。Dense Transformer 常用 `C ≈ 6ND` 作为一阶近似。
- `L`：被拟合的损失或误差。必须注明数据集、tokenizer 和聚合方式。

`6ND` 的边界：

- `6` 来自 Dense Transformer 参数在一次 Token 训练中的前向与反向近似；
- 长序列 attention、重计算、embedding / vocabulary、路由和其他算子会改变常数；
- MoE 不能把 total parameters 直接代入；
- 它不等于设备峰值 FLOP/s，也不等于真实 GPU hours；
- DeepSeek LLM 因而改用 non-embedding FLOPs/token `M`，写成 `C = MD`。

### 2.2 单轴幂律

最简形式：

```text
L(x) = L∞ + A · x^-α
```

直觉：

- `L∞`：即使继续扩大规模也无法由当前模型族消掉的 irreducible floor；
- `A`：当前数据、架构和 tokenizer 决定的垂直位移；
- `α`：log-log 图上的下降斜率；
- `α` 很小仍可在跨多个数量级时积累巨大收益。

它不是说每一个任务都平滑，也不是说同一指数跨数据、架构和优化器不变。

### 2.3 Chinchilla 型双轴损失面

Hoffmann 等人的 Approach 3 使用：

```text
L(N, D) = E + A / N^α + B / D^β
```

在 `C ≈ 6ND` 约束下，最优 frontier 有：

```text
Nopt(C) ∝ C^[β / (α + β)]
Dopt(C) ∝ C^[α / (α + β)]
```

关键不是背指数，而是看两种可约误差：

- 模型太小：`A / N^α` 主导；
- 数据太少 / 训练不够：`B / D^β` 主导；
- 固定算力时增加一边会挤压另一边，IsoFLOP 谷底就是两者的折中。

### 2.4 IsoFLOP 不等于“训练一次画条线”

标准流程：

1. 选多个固定 compute budget；
2. 每个 budget 下训练多种 `N × D` 配比；
3. 每条 IsoFLOP 曲线找 loss 最小点；
4. 用这些最小点拟合 `Nopt(C)` 与 `Dopt(C)`；
5. 用未参与拟合的更大 run 检查外推；
6. 报告拟合残差、不确定性和超参数搜索方法。

真正昂贵的是：每个 budget 都要有足够多的点覆盖谷底两侧。

---

## 3. 历史主线

### 3.1 2017–2019：幂律先于“大语言模型”

#### Hestness et al. 2017

[Deep Learning Scaling is Predictable, Empirically](https://arxiv.org/abs/1712.00409) 在语言、视觉、语音和机器翻译等任务上观察到泛化误差随数据规模呈稳定幂律。

贡献：

- 把“多给数据通常更好”变成可以拟合和外推的曲线；
- 提出不同任务有不同指数与不可约误差；
- 说明缩放规律不是 Transformer 或 LLM 出现后才有。

边界：

- 任务与架构跨度大，不能把某一指数直接移植到现代 LLM；
- 主要说明经验可预测性，不回答现代 `N–D–C` 最优分配。

#### McCandlish et al. 2018

[An Empirical Model of Large-Batch Training](https://arxiv.org/abs/1812.06162) 用 gradient noise scale 连接 batch size、步数和算力效率。

它进入本章的原因：

- 训练规模不仅由 `N` 和 `D` 决定；
- batch 太小会浪费并行机会，太大则新增样本对一步更新的边际价值下降；
- Kaplan 与 DeepSeek 后来的 scaling study 都必须处理 batch / LR 的规模依赖。

这不是 loss scaling law，不能用它直接预测最终语言模型能力。

### 3.2 2020：Kaplan 建立经典 LLM scaling 坐标系

[Scaling Laws for Neural Language Models](https://arxiv.org/abs/2001.08361) 在 WebText2 与一族 Transformer 上拟合：

- 参数受限：`L(N) = (Nc / N)^αN`，报告 `αN ≈ 0.076`；
- 数据受限：`L(D) = (Dc / D)^αD`，报告 `αD ≈ 0.095`；
- 计算受限最优曲线：`αCmin ≈ 0.050`；
- 其配方下的 compute-optimal 结论更偏向增大模型，报告 `Nopt ∝ C^0.73`。

必须保留的限定：

- `N` 是 non-embedding parameters；
- 常数依赖 WebText2、词表和 tokenizer；
- 论文使用的 warmup、last-layer FLOPs 计数和优化器调参后来被证明会影响最优指数；
- 这是 2020 实验族的结论，不是“模型永远应比数据增长更快”。

### 3.3 2020–2022：跨模态幂律与大模型实证

[Scaling Laws for Autoregressive Generative Modeling](https://arxiv.org/abs/2010.14701) 将经验幂律扩展到图像、视频、数学等自回归生成任务，说明“平滑缩放”具有跨模态共性，但指数依赖模态与数据。

Gopher 与 PaLM 是规模实践节点：

- [Gopher](https://arxiv.org/abs/2112.11446) 展示 280B Dense 模型的任务分化；
- [PaLM](https://arxiv.org/abs/2204.02311) 展示 540B 规模与部分任务的非平滑行为；
- 它们不是 compute-optimal 定律本身，但为 Chinchilla 的反例式比较和 emergent abilities 讨论提供背景。

### 3.4 2022：Chinchilla 改写“最优分配”

[Training Compute-Optimal Large Language Models](https://arxiv.org/abs/2203.15556) 用三种方法研究固定训练 FLOPs 下如何分配参数与 Token。

原论文表 2：

| 方法 | `Nopt ∝ C^a` | `Dopt ∝ C^b` |
|---|---:|---:|
| 训练曲线最小值 | 0.50 | 0.50 |
| IsoFLOP profiles | 0.49 | 0.51 |
| parametric loss fit | 0.46 | 0.54 |
| Kaplan 2020 对照 | 0.73 | 0.27 |

“20 Token / parameter”的正确教法：

- 表 3 中 1B 对应约 20.2B Token、10B 对应约 205.1B、67B 对应约 1.5T；
- 它是该论文实验与拟合范围内的实用近似；
- 不是跨 tokenizer、数据质量、优化器、MoE、部署需求都不变的常数；
- Chinchilla 的核心结论是参数与数据应近似同比例扩展，而不是要求所有模型严格停在 20 TPP。

### 3.5 2022–2023：涌现、指标与折断幂律

[Emergent Abilities of Large Language Models](https://arxiv.org/abs/2206.07682) 把“小模型近随机、大模型突然明显变好”的任务表现系统化。

[Are Emergent Abilities of Large Language Models a Mirage?](https://arxiv.org/abs/2304.15004) 说明：

- exact match、multiple-choice grade 等不连续或非线性指标可以把平滑的 per-token 误差改善变成阶跃；
- token edit distance、Brier score 等连续指标可能恢复平滑曲线；
- 因而“图上突然跳升”不自动证明内部发生相变。

不能过度外推：

- Mirage 论文没有证明所有涌现都不存在；
- 新机制、数据阈值、grokking 或工具使用仍可能产生真实 regime change；
- 正确结论是先检查指标与采样方差，再谈能力相变。

[Broken Neural Scaling Laws](https://arxiv.org/abs/2210.14891) 用 smoothly broken power law 表达 plateau、拐点、double descent 或新的下降斜率。

风险：

- 更灵活的函数也更容易在数据稀少时过拟合；
- 需要留出外推点，而不只比较训练集拟合误差；
- “能拟合拐点”不等于提前知道拐点为何出现。

### 3.6 2023–2025：唯一数据、过训练与部署目标

#### 数据受限

[Scaling Data-Constrained Language Models](https://arxiv.org/abs/2305.16264) 区分：

- `UD`：unique data；
- `RD`：repetition count；
- `D = UD × (RD + 1)`：训练实际处理的总 Token。

论文在 10M–9B 参数、最多 900B training Token 的研究范围内报告：

- 单 epoch 的每算力 validation loss 最优；
- 最多约 4 epoch 的重复数据与使用同量 unique data 的差距可很小；
- 继续重复仍可能有收益，但边际收益最终趋近于零；
- 数据受限时，应同时增加模型规模与训练 epoch，而不是只重复或只增参数。

这些是该实验范围的结论，不能写成“任何数据重复四遍都无害”。

2026 年的 [Data-Constrained Language Model Pretraining](https://arxiv.org/abs/2606.06888) 提出 SoftQ，将模型与数据项耦合以处理有限 unique data 下的重复训练，并研究 masked-input regularization。它是新的前沿修正，首版应与经典结果分层呈现，避免用单篇新论文覆盖已有证据。

#### 过训练

[Language models scale reliably with over-training and on downstream tasks](https://arxiv.org/abs/2403.08540)：

- 训练 104 个、11M–6.9B 参数模型；
- 覆盖 C4、RedPajama、RefinedWeb；
- 用 token multiplier `M = D/N` 描述 over-training；
- 报告不同 multiplier 下 reducible loss 的 log-log 线近似平行；
- 能从低约 300× compute 的实验预测其目标 over-trained run 的 validation loss；
- aggregate downstream error 比单个任务更可预测。

边界：

- “平均 17/46 个任务”平滑，不代表每个任务都可精确预测；
- 数据分布改变会移动曲线；
- 预测建立在不 under-train、实验族可比的条件上。

2025 年 [Overtrained Language Models Are Harder to Fine-Tune](https://arxiv.org/abs/2503.19206) 提醒：更低 pretraining loss 不保证更好的后续可塑性。课程应把“base loss 最优”和“post-training 后最终能力最优”分成两张账。

#### 把推理也计入

[Beyond Chinchilla-Optimal](https://arxiv.org/abs/2401.00448) 把总目标改为：

```text
total cost = pretraining cost + inference demand × per-request inference cost
```

论文结论的正确范围：

- 在其硬件、成本和请求量假设下，高推理需求会把最优点推向更小模型、更长训练；
- 论文训练 47 个 150M–6B 模型，探索 10–10,000 TPP；
- 在研究范围内未观察到 loss 因极高 TPP 完全停止改善；
- 不能把“约十亿请求”当所有业务的固定转折点。

### 3.7 2024：Chinchilla 复现与 Kaplan–Chinchilla 和解

[Chinchilla Scaling: A replication attempt](https://arxiv.org/abs/2404.10102) 指出：

- 原论文 Approach 3 的正文参数、TeX 参数与拟合数据存在不一致问题；
- 报告的置信区间过窄；
- 重新拟合后仍可与 Approach 1 / 2 的近等比例扩展结论相容。

所以正确结论不是“Chinchilla 被推翻”，而是：

- 核心近等比例结论较稳；
- 某一组精确系数与极窄 CI 不应当作不可争议常数；
- 论文复现必须保存数据、拟合代码、版本和停止条件。

[Resolving Discrepancies in Compute-Optimal Scaling of Language Models](https://arxiv.org/abs/2406.19146) 复现 Kaplan 风格实验并识别三类差异来源：

1. last layer computational cost 的计数；
2. warmup duration；
3. scale-dependent optimizer tuning。

修正后结果向 Chinchilla 靠拢。它提供一个重要方法论：

> scaling exponent 既反映模型与数据，也反映训练 recipe 是否在各规模上公平调优。

### 3.8 2024–2026：从单一 loss 到 task ladder 与新拟合目标

- [Optimization Hyper-parameter Laws](https://arxiv.org/abs/2409.04777) 把动态学习率 schedule 纳入可预测对象；
- [Establishing Task Scaling Laws via Compute-Efficient Model Ladders](https://arxiv.org/abs/2412.04403) 用两阶段方法从模型/数据预测 task loss，再从 task loss 预测任务表现；
- 单个任务方差更大，任务指标不能无条件由通用 validation loss 替代；
- 首版应展示“可预测性层级”，而非声称一个公式预测所有能力。

---

## 4. DeepSeek：把 scaling study 变成训练前的工程搜索

### 4.1 DeepSeek LLM 的关键改变

[DeepSeek LLM](https://arxiv.org/abs/2401.02954) §3 不只拟合最终 loss，还先搜索超参数。

#### 超参数缩放

论文报告：

```text
ηopt = 0.3118 · C^-0.1250
Bopt = 0.2920 · C^0.3271
```

这些系数的正确边界：

- `C`、batch 和 LR 使用论文自己的单位与配方；
- 它们是 DeepSeek LLM 实验族的经验拟合，不是可直接复制到任意模型的默认值；
- 论文承认同 compute、不同 model/data allocation 的近优超参数空间也会略变。

#### 用 `M` 替代参数数

论文定义 non-embedding FLOPs/token：

```text
M = 72 · n_layer · d_model²
  + 12 · n_layer · d_model · l_seq

C = M · D
```

动机：

- `6N_non-embedding` 忽略 attention 随序列长度的计算；
- `6N_total` 又把 vocabulary computation 计入“容量”；
- 小模型上两种参数代理相对真实 `M` 的误差尤其明显。

其 IsoFLOP 拟合报告：

```text
Mopt = 0.1715 · C^0.5243
Dopt = 5.8316 · C^0.4757
```

仍然必须保留：

- 数据质量改变时，论文 §3.3 的 exponent 也改变；
- BPB、tokenizer 与数据分布定义不可省略；
- `M` 是 Dense LLaMA-like 实验族的算术代理，不自动解决 MoE 比较。

### 4.2 DeepSeekMoE → V2 → V3 → V4 的 scaling 含义

这一谱系不应被压成同一条 `N–D` 曲线：

| 节点 | 新的缩放变量 | 不能省略的账 |
|---|---|---|
| DeepSeekMoE | total vs active parameters | 路由、负载、通信 |
| DeepSeek-V2 | MLA + 稀疏专家 | KV / 激活参数 / 训练经济性 |
| DeepSeek-V3 | 671B total / 37B active、14.8T Token | FP8、DualPipe、硬件与系统效率 |
| DeepSeek-V4 | 1M context hybrid attention、Muon、mHC | context cost、训练 recipe 与 preview 边界 |

DeepSeek 专题的亮点不是“参数越来越大”，而是：

- 用 scaling study 决定 model/data/hyperparameter；
- 用 MoE 改变容量与每 Token 计算的关系；
- 用 MLA / hybrid attention 改变上下文与服务成本；
- 用低精度和系统共设计缩小理论 FLOPs 与实际成本之间的差距。

---

## 5. Kimi：K2 的 token efficiency 到 K3 的 family-level scaling

### 5.1 Kimi K2

[Kimi K2](https://arxiv.org/abs/2507.20534) 把“高质量自然数据有限”作为缩放约束：

- 1T-class MoE，32.6B activated parameters；
- 报告在 15.5T curated Token 上预训练；
- 用 MuonClip 追求 token efficiency 与稳定性；
- 用 knowledge / mathematics rephrasing 增加同一来源的表达与视角；
- 用 sparsity scaling law 选择专家稀疏度；
- 训练 recipe 使用 WSD 主阶段与后续 cosine decay。

边界：

- rephrasing 的收益是报告实验，不等于合成数据永远等价于新自然数据；
- sparsity scaling 需同时计激活计算、总容量、路由与系统开销；
- “zero loss spike”是该训练运行的作者报告。

### 5.2 Kimi K3

[Kimi K3](https://arxiv.org/abs/2607.24653) §3.2 的 scaling study：

- 新模型族同时包含 KDA、AttnRes、Stable LatentMoE、数据与训练 recipe；
- 重新搜索 batch size、learning rate、TPP 与 model shape；
- 用 held-out OOD validation data 拟合 K2 / K3 曲线；
- Figure 7 报告 K3 相对 K2 约 `2.5× overall scaling efficiency`；
- cosine 与 WSD 各自独立搜索最优超参数后，报告选择 cosine。

`2.5×` 必须这样写：

- 是 K3 作者在其验证 loss–FLOPs 曲线上的 family-level 报告；
- 是架构、数据与训练 recipe 的合计，不是某一个组件的独立消融；
- 不是“参数效率 2.5×”“吞吐 2.5×”或“所有 benchmark 2.5×”；
- 不是第三方独立复现；
- Figure 7 没有公开足以独立重建曲线的所有原始 run 点与拟合细节。

K3 对学习率 schedule 的方法论尤其重要：

> 如果 cosine 与 WSD 的最优 peak LR 和 batch 不同，用一套共享超参比较会系统性偏袒其中一方。

这与 2024 年 Kaplan–Chinchilla 和解论文形成呼应：scale-aware tuning 不是“实现细节”，它能改变看见的 scaling law。

---

## 6. 网站叙事与视觉草案

### 6.1 章节问题链

1. 为什么 log-log 图常是一条直线；
2. 参数、数据、算力为什么不能只看一个；
3. Kaplan 为什么得出“大模型优先”；
4. Chinchilla 为什么把结论改成“参数与数据一起长”；
5. 20 TPP 为什么是历史经验点，不是自然常数；
6. 数据重复、过训练与部署需求如何移动最优点；
7. 涌现是真变化还是指标折射；
8. Dense、MoE、长上下文与 RL 为什么需要新坐标；
9. DeepSeek 与 Kimi 如何在真实项目里做 scaling study；
10. 怎样判断一张 scaling 图是否可信。

### 6.2 至少 12 个原创机制图

1. `N–D–C` 三轴与 `C = 6ND` 约束面；
2. log-log 幂律斜率与 diminishing returns；
3. Chinchilla 损失分解的三块堆叠；
4. 多条 IsoFLOP 曲线与谷底 frontier；
5. Kaplan / Chinchilla 最优射线对照；
6. 20 TPP 尺子与“不是常数”警告；
7. unique / repeated / effective Token 三个水箱；
8. train-optimal / deployment-optimal 双目标；
9. 平滑 per-token error 如何被 exact match 变成阶跃；
10. single power law 与 broken power law；
11. Dense / MoE 的 total-active-compute 三联表；
12. DeepSeek / Kimi 双谱系时间河；
13. scale-aware hyperparameter search 网格；
14. K3 Figure 7 的不带伪数据概念重绘：同 loss 的横向 FLOPs 差。

### 6.3 四个独立交互实验

#### Tab A：Scaling Surface

输入：

- compute budget；
- `α / β`；
- irreducible loss；
- model / data cost 系数。

输出：

- `N × D` loss surface；
- IsoFLOP curve；
- compute-optimal point；
- 当前选择相对最优多花的 FLOPs。

#### Tab B：Train vs Serve

输入：

- 目标质量；
- 请求数；
- 平均输入 / 输出 Token；
- 每参数推理成本近似。

输出：

- 仅训练最优；
- 训练 + 推理总成本最优；
- 请求增多时模型更小、训练更长的移动轨迹。

必须标 deterministic teaching model，不冒充任何云价格或真实 GPU benchmark。

#### Tab C：Data Reuse

输入：

- unique Token；
- epochs；
- 重复 Token 衰减率；
- 合成 / 改写增益假设。

输出：

- seen Token 与 effective Token 分离；
- 单 epoch、四 epoch 与高重复区；
- 数据受限时继续增参数 / 增 epoch 的取舍。

#### Tab D：Emergence Lens

同一条平滑 per-token correct probability：

- token edit distance；
- sequence exact match；
- multiple-choice threshold；
- 多次采样 pass@k。

让读者看到指标变换如何制造或消除阶跃。

---

## 7. 第一轮一手来源矩阵

新缓存于本地忽略目录 `research/sources/scaling-laws/` 的 22 份论文：

| ID | 年 | 作用 | 首轮状态 |
|---|---:|---|---|
| `1712.00409` | 2017 | 跨任务可预测 scaling | 已缓存 / 摘要与主结论核验 |
| `1812.06162` | 2018 | gradient noise / critical batch | 已缓存 / 摘要核验 |
| `2001.08361` | 2020 | Kaplan 经典 LLM 幂律 | 已缓存 / §1、§4、§6 核验 |
| `2010.14701` | 2020 | 自回归生成跨模态 scaling | 已缓存 / 摘要核验 |
| `2112.11446` | 2021 | Gopher 规模实践 | 已缓存 / 摘要核验 |
| `2203.15556` | 2022 | Chinchilla compute-optimal | 已缓存 / §3、表 2–3 核验 |
| `2204.02311` | 2022 | PaLM 与规模实证 | 已缓存 / 摘要核验 |
| `2206.07682` | 2022 | emergent abilities | 已缓存 / 摘要核验 |
| `2210.14891` | 2022 | broken scaling laws | 已缓存 / 摘要与限制核验 |
| `2302.13971` | 2023 | LLaMA 小模型长训练 | 已缓存 / 摘要核验 |
| `2304.15004` | 2023 | emergence metric mirage | 已缓存 / 主实验核验 |
| `2305.16264` | 2023 | data-constrained scaling | 已缓存 / §1–3 核验 |
| `2401.00448` | 2024 | inference-aware scaling | 已缓存 / §1–5 核验 |
| `2401.02954` | 2024 | DeepSeek LLM scaling | 已缓存 / §3 核验 |
| `2403.08540` | 2024 | over-training / downstream | 已缓存 / §1–3、限制核验 |
| `2404.10102` | 2024 | Chinchilla replication | 已缓存 / 全文主结论核验 |
| `2404.19484` | 2024 | compute-allocation 假说 | 已缓存 / 仅作争议节点 |
| `2406.19146` | 2024 | Kaplan–Chinchilla reconciliation | 已缓存 / §1–3 核验 |
| `2409.04777` | 2024 | optimization hyperparameter laws | 已缓存 / 摘要核验 |
| `2412.04403` | 2024 | task scaling / model ladders | 已缓存 / 摘要核验 |
| `2503.19206` | 2025 | catastrophic overtraining | 已缓存 / 摘要核验 |
| `2606.06888` | 2026 | SoftQ / data-constrained frontier | 已缓存 / 摘要与方法核验 |

复用已有正式来源：

- DeepSeek-V2 `2405.04434`；
- DeepSeek-V3 `2412.19437`；
- DeepSeek-V4 `2606.19348`；
- Kimi K2 `2507.20534`；
- Kimi K3 `2607.24653`；
- Kimi k1.5 `2501.12599`；
- 训练系统、MoE、长上下文与推理专题已经核验的交叉来源。

---

## 8. Grok 线索的保留与纠错

Grok Headless 用于扩展候选论文、视觉和互动方案。其输出明确降级为未核验 leads。

已发现的错误：

- Grok 称“K3 正式 scaling 论文需核验是否存在 / 公开技术边界不清”；
- 实际已有 2026-07-27 提交的正式 arXiv 技术报告 `2607.24653`；
- 本地已有同一 47 页报告，§3.2 与 Figure 7 明确描述 scaling study。

处理规则：

- Grok 的年代、模型数字、公式、URL 不直接进入网站；
- 候选节点必须打开 P0 / P1；
- 无法回查的产品说法删掉，而不是降格成模糊事实；
- 线索包错误也保留在研究记录中，作为为什么必须做来源分级的实例。

---

## 9. 高风险事实闸门

- [x] Kaplan 的 `N` 限定为 non-embedding parameters。
- [x] Kaplan 的 0.73 / 0.27 限定在其 compute-optimal recipe。
- [x] Chinchilla 三种 approach 的指数分别抄回表 2。
- [x] “约 20 TPP”写成论文范围内 heuristic，不写成常数。
- [x] Chinchilla replication 的结论写成“精确拟合有问题，核心近等比例结论未被推翻”。
- [x] Kaplan–Chinchilla 差异包含 last-layer FLOPs、warmup、scale-aware optimizer tuning。
- [x] `C ≈ 6ND` 明确是 Dense 近似。
- [x] DeepSeek `M` 与 `C = MD` 的定义回查 §3.2。
- [x] DeepSeek batch / LR law 保留实验族与单位边界。
- [x] unique、seen、repeated、effective Token 分开。
- [x] “最多约 4 epoch 差距很小”限定 Muennighoff 实验范围。
- [x] inference-aware optimum 限定请求量、成本与硬件假设。
- [x] aggregate task error 与 individual task prediction 分开。
- [x] emergence 与 metric-induced emergence 并列，不做全称判断。
- [x] Dense 与 MoE 的 total / active parameters 分开。
- [x] K2 rephrasing 不写成无限合成数据定律。
- [x] K3 2.5× 写成 family-level、OOD validation、author-reported。
- [x] K3 cosine / WSD 是各自独立调参后的报告结论。
- [x] Grok 对 K3 的错误已隔离，不进入正式结论。
- [ ] 22 份新论文逐篇完成图表与实验段落精读。
- [ ] 所有网站数字都有邻近来源与版本号。
- [ ] 设计并实现四个 teaching-model 交互的单元与浏览器断言。
- [ ] desktop / mobile / keyboard / reduced-motion 验证。
- [ ] 生产镜像与公开仓库全链发布验证。

## 10. 首版页面完成闸门

- [ ] 初学者能解释 log-log 直线与 diminishing returns。
- [ ] 能区分 `N / D / C / L` 及各自口径。
- [ ] 能在 IsoFLOP 图上找到 compute-optimal point。
- [ ] 能说明 Kaplan 与 Chinchilla 为什么看似矛盾。
- [ ] 能说明 20 TPP 为什么不是自然常数。
- [ ] 能区分 train-optimal、serve-optimal 与 data-constrained optimum。
- [ ] 能用连续指标解释至少一个“伪涌现”案例。
- [ ] 能解释 DeepSeek 为什么用 FLOPs/token `M`。
- [ ] 能解释 K3 2.5× claim 的真实口径与证据边界。
- [ ] 四个互动实验均能触发一个反直觉场景。
- [ ] 类型检查、链接、浏览器、容器和生产验证全部通过。