给 AI 备教材，不只是资料越多越好：你还可以请另一个模型把原文重写得更清楚，但“改写多少”本身也要花算力。Roberts 等人研究的，正是这笔预算该怎么分。所谓合成改写，是让模型换一种风格或结构复述现有文本；所谓扩展定律，则像一把预算规划尺，用经验公式估计投入更多模型、数据与算力后，误差会怎样变化。
作者把模型大小、训练文本量、改写文本占比、原始数据被重复学习的轮次，以及生成改写文本的算力，一并纳入预测。最值得注意的结果是：最佳改写比例并非固定值，而会随总算力增加，并因数学、代码、问答和普通网页文本而异。按作者报告，在原始数据有限的实验中，加入改写文本的模型在最高 3B 参数范围内，始终胜过只用自然文本的最佳训练结果；另一组实验里，目标模型还在 16 类网页来源中的 10 类上超过改写它的模型，训练算力约为后者的十分之一。这说明，合成文本不只是“数据不够时凑数”，而可能成为需要单独规划的规模化资源；不过这些结论来自论文实验，摘要中部分关键比例与误差数字未完整披露。