Lil'Log（Lilian Weng 个人博客） · Lilian Weng
Scaling Laws, Carefully
读懂并会用缩放定律：理解损失随模型规模、数据量、算力按幂律下降的经验规律，能区分 Kaplan 与 Chinchilla 的结论差异，并了解在小规模实验上拟合、外推到大模型配置的基本做法。
Lil'Log
- 难度
- 见前置条件
- 形式
- 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 费用待核验
- 动手
- 打开即可学习
使用限制
纯网页文章，浏览器打开即可阅读，无需账号、密钥或安装环境；练习侧如需复现拟合需自备算力。
- 学习材料
- 可访问互联网的浏览器（文章含大量外部论文与百科链接）
- 练习与作业
- 若想自行复现文中“小规模拟合外推”实验，需要自备训练用 GPU 算力
- 补充内容
- 访问 arXiv、IEEE Xplore 等外部论文站点可能需要机构订阅或网络条件
第一次学这门课？先完成学前准备，把课程目录搭好。
每节课这样学
- 发提示词把下面的每课提示词发给 AI Agent，它会准备这一课的练习文件。
- 学官方课节打开对应课节学习，按提示从第一道练习做起；它不会替你写答案。
- 记进度学完让 AI Agent 在 progress.md 勾选，并把疑问整理到 questions.md。
每课提示词 · 每次学习前用
继续学习「Scaling Laws, Carefully」。课程目录是 scaling-laws-carefully-lillog/（不知道完整路径就先问我）。 1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。 2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。 5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
课节共 1 节 · 官方顺序
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-14
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。