現象の理解 LLM【スケール則：現象の理解 D-2】
訓練終盤で突然テスト性能が急上昇するGrokking現象を解説。過学習→スタグネーション→サージの3段階、発生条件、LLMとの関係を詳解。
現象の理解 
現象の理解 LLM【スケール則：現象の理解 D-1】
スケール則を超える創発現象を解説。In-Context Learning、Chain-of-Thought、推論タスクでの閾値出現と、創発メカニズムの4つの仮説を詳解。
最適配分戦略 LLM【スケール則：最適配分戦略C-6】
Scaling Lawのタスク依存性を詳解。MMLU、GSM8K等ベンチマーク別のα値、ファインチューニング戦略（Full vs LoRA vs Prompt Tuning）、性能予測モデルを解説。
最適配分戦略 LLM【スケール則：最適配分戦略C-5】
オンプレミス、クラウド、ハイブリッドの3つの実行環境別にScaling Law適用戦略を解説。コスト試算、Spotインスタンス活用、環境選択フローを含む。
最適配分戦略 LLM【スケール則：最適配分戦略C-4】
Scaling Lawから見たアーキテクチャ選択。Transformer vs MoE（Mixture-of-Experts）の比較、α値の解釈、マルチモーダルモデルのパラメータ配分戦略を解説。
最適配分戦略 LLM【スケール則：最適配分戦略C-3】
最適データ規模D_optの決定方法から、実在データセット比較、データ不足時の4つの対策、品質スコアとサイズのトレードオフまでを解説。
最適配分戦略 LLM【スケール則：最適配分戦略C-2】
計算予算Cの測定から3つのシナリオ別配分戦略、ライフタイムコスト最適化まで。学習コスト重視vs推論コスト重視の判断フレームワークを解説。
最適配分戦略 LLM【スケール則：最適配分戦略C-1】
Chinchilla則の発見経緯から、固定計算予算下でモデルサイズとデータ量をどう配分するかまでを整理。GopherとChinchillaの比較を通じて、最適配分の考え方を実務目線で解説。
実装と検証 LLM【スケール則：実装と検証B-9】
RoPE（Rotary Positional Embedding）の基礎から、長文コンテキスト拡張時のrope_theta、位置補間、NTK-aware、YaRN系の考え方まで。実装時に失敗しやすいポイントを整理。
実装と検証 LLM【スケール則：実装と検証B-8】
大規模モデル開発における段階的スケーリング戦略と運用上の考慮事項。リソース予算の配分、飽和現象の検出、データ不足への対処を実装例と共に解説。