英文：Scaling Law 分类：training
描述模型性能（损失）随参数量、数据量、算力呈幂律关系变化的经验规律：给定算力预算可预测模型效果并指导资源分配，支撑了"更大更强"的大模型路线，近年重心转向数据质量与推理算力。
经典形式：L ∝ N^(-α)·D^(-β)·C^(-γ)（参数量/数据量/算力幂律，Chinchilla 提出参数量与数据量同步缩放）；应用：最优分配（计算最优训练规模）、损失预测（外推未训练规模）；新方向：数据质量系数、推理时算力（test-time compute）提升；局限：边际收益递减。
用于大模型训练规划（参数/数据/算力预算）、算力投资决策（数据中心规模）、训练成本控制（避免过度训练）与模型路线评估（继续缩放 vs 新范式）。