curves（曲线）在 AI 领域通常指训练曲线、测试时扩展曲线等用于刻画模型性能随算力、数据或步骤变化的函数关系，是评估和预测大模型能力的重要工具。近期围绕曲线的研究集中在两个方向：一是如何让曲线的结论更可信，二是如何用曲线做更细粒度的评估与比较。
Curves 的近期研究进展
当前焦点与观察点
围绕 curves 的讨论正从"画出曲线"转向"论证曲线可信"。Scaling curve 长期被用于预判模型投入产出，但样本噪声、评测集泄漏和 cherry-picking 都可能让曲线失真，认证类方法试图给出统计意义上的保证。
另一个观察点是曲线作为跨系统比较语言的兴起：从 GPU 对标到特征归因，把复杂行为压缩为一条可比曲线的做法越来越普遍，但压缩本身会丢失信息。对使用者的提醒是，看到曲线结论时仍需关注其认证方式和实验条件，而非只看趋势形状。