ObsScaling

看公开数据就能预测模型性能，省下巨额训练费

ObsScaling 是 NeurIPS 2024 Spotlight 论文《Observational Scaling Laws》的开源实现，主要研究如何通过观测数据而非实验干预来推导大模型的缩放定律。传统缩放定律依赖大量实验训练不同规模模型，成本高昂；而该方法利用公开的模型评测数据（如 LMSYS Chatbot Arena 等），仅通过观察不同模型的参数量、训练数据量和性能指标，就能拟合出缩放规律，并预测未训练模型的性能。项目提供了数据处理、拟合和可视化代码，帮助研究者和工程师低成本地估算模型能力与数据规模的关系，为模型选型和资源规划提供参考。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 62

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队ryoungj

所属国家

官网地址

GitHubhttps://github.com/ryoungj/ObsScaling

定价模式free

价格说明开源项目，Apache-2.0 许可证，可自由使用，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型language-model,large-language-models,scaling-laws

GitHub 星标★ 62

30天Star增速

HF 下载量

上线时间2024-05-16 00:00:00

最近更新2026-09-06 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

无需训练新模型，仅用公开评测数据即可拟合缩放定律，成本极低
方法经过 NeurIPS 2024 Spotlight 验证，学术可靠性高
代码基于 Jupyter Notebook，交互式演示，易于复现和理解

不足之处

项目处于早期，文档和社区支持尚不完善
依赖外部数据源（如 LMSYS），数据质量和时效性可能影响拟合结果

适用场景

研究机构快速估算新模型性能，辅助论文实验设计
企业在选择开源模型时，预测不同规模模型的性价比
AI 政策研究者分析行业模型能力发展趋势

替代项目

Scaling Laws (OpenAI 原始论文实现)、Chinchilla Scaling Laws (DeepMind)、LLM Scaling Laws (Hugging Face 相关工具)

项目介绍

ObsScaling 是模型训练领域的开源项目，由 ryoungj 开发，2024 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 62。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-06。Apache-2.0 许可证，可自由使用，无付费版本。

它主要面向的使用场景是：研究机构快速估算新模型性能，辅助论文实验设计。同类可对比的替代方案包括 Scaling Laws (OpenAI 原始论文实现)、Chinchilla Scaling Laws (DeepMind)、LLM Scaling Laws…。

上一篇：self-refine

下一篇：ReAlign