在評估大型語言模型，例如 7B、13B、175B 參數規模時，模型規模對基準測試（Benchmark）結果的影響，下列哪一種說法最為恰當？
答案 （D）
核心概念
縮放法則（Scaling Law）指出，模型參數量、訓練資料量與運算資源三者必須協同放大，效能才會持續提升。也就是說，參數變大「通常」會帶來 Benchmark 分數提升，但提升多少並非由參數量單獨決定——如果訓練資料品質差、資料量不足或運算配置不當，大模型的潛力就發揮不出來。這是一句有條件、有但書的敘述。
答題技巧
快速判斷技巧：這種「哪個說法最恰當」的題目，選最保守、帶條件、有但書的敘述。含有「並不重要」「完全無關」這類全稱否定的，幾乎必錯。
易錯陷阱：(B) 前半句正確會讓人放鬆警惕，但後半句悄悄把偶發的例外寫成通則。讀選項時要逐句檢查，一句錯全句就錯，不能因為前半段對就放行。