Stanford 提出 hinted scaling laws，可用极低算力预测基准成绩

Stanford AI Lab 的 Suze van Adrichem 等人提出 hinted scaling laws 方法，用于预测模型在基准测试上的准确率。做法是把一个基准改造成一系列加入提示（hint）的更简单版本，再联合建模模型规模 C 与提示等级 H 两个变量。结果显示，仅用 5600 倍更少的计算量，就能把 GSM8K 无提示（H=0）时的准确率预测到 3 个百分点以内。该工作由 Luke Bailey 与 rckpudi 共同主导。