训练基础模型前，团队常先做一批“小号试跑”，像反复调烤箱温度和时间，找出模型多大、数据喂多少最划算。问题是，传统做法会跑遍超参数——训练前设定的模型大小、学习步幅、数据量等旋钮——组成的网格，而最后拟合缩放定律时，通常只留下每档计算预算中错误最少的结果，其余试验很少直接影响曲线。
这篇论文把收集数据改写成贝叶斯优化：根据已有试跑判断下一次最值得试哪里。最巧的一步是“计算切片”：先在较小计算预算内搜索，再逐步开放更贵的区间，避免过早押注大实验。对于尚未训练的组合，代理模型会先“幻想”其结果，补成一张模拟的稠密网格，再据此拟合缩放定律。作者在既有缩放实验数据集上回放这一流程，称它能以明显更少的累计计算量逼近完整网格的拟合；但所给原文未披露摘要中具体的最高节省比例，结论也仍来自离线模拟。