在保持 GPT-OSS 模型架構不變的前提下，如果將模型參數量從 20 億提升至 120 億，並假設有足夠的訓練資料支撐，下列敘述何者最正確？
答案 （C）
核心概念
縮放法則（Scaling Law）告訴我們，模型參數量、訓練資料量、運算量三者要一起放大，效能才會持續提升。參數變多代表模型的表達能力（容量）變強，能記住與擬合更複雜的模式；但若資料量沒有跟上，多出來的容量就會拿去背訓練資料，導致過度擬合。同時，參數變多也直接推高記憶體佔用與推理延遲。
答題技巧
快速判斷技巧：這種題型答案通常是「最保守、有但書」的那一個。含有「線性」「一定」「不影響」這種絕對用語的選項多半是錯的；含有「但需要……支持」這種條件句的常常是對的。
易錯陷阱：(B) 把「並行計算」搬出來當理由很有說服力，但並行只是分攤運算，不會讓總運算量變少。抓住一個常識就好：模型變大，跑起來只會更慢更吃記憶體。