実装と検証 LLM【スケール則：実装と検証B-3】
固定計算予算の下で、パラメータ数 N とデータセットサイズ D の配分をどう決めるかを整理します。Uカーブの見方と、μTransfer（μP）で探索コストを抑える考え方を実務寄りにまとめます。
実装と検証 
実装と検証 LLM【スケール則：実装と検証B-2】
スケール則における評価指標依存性を詳解。Training Loss、Perplexity、Task-Specific Accuracyなど複数の評価指標でPower Law指数がどのように異なるかを実装と共に学びます。
実装と検証 LLM【スケール則：実装と検証B-1】
スケール則を実装・検証するための基本フローを整理。小規模実験の設計から外挿予測まで、実務で使える考え方をわかりやすくまとめます。
基礎理論 LLM【スケール則：基礎理論A-6】
スケーリング則シリーズ全体で使用される専門用語を統一的に定義。各用語の初出セクションと関連情報をまとめた索引です。
基礎理論 LLM【スケール則：基礎理論A-5】
スケール則が LLM 開発の実践にどう活用されているかを解説。投資判断、モデル選択、効率的なリソース配分の方法を、具体例とあわせて整理します。
基礎理論 LLM【スケール則：基礎理論A-4】
DeepMind が発見した Chinchilla 則を解説。パラメータ数とデータ量の最適比率、従来の常識を覆した発見の意味を理解します。
基礎理論 LLM【スケール則：基礎理論A-3】
OpenAI と DeepMind の主要研究をもとに、スケール則がなぜ信頼されるのかを整理。Chinchilla まで含めて、どこまで実務に使えるかを具体的に解説します。
基礎理論 LLM【スケール則：基礎理論A-2】
LLM 訓練に必要な計算量を正確に測る方法を解説。FLOPs と FLOPS の違い、C=6ND の公式、PF-days への変換を学びます。
基礎理論 LLM【スケール則：基礎理論A-1】
LLM の性能がどのようにスケールするのかを予測するスケール則の基本概念を解説します。モデル大規模化の秘密に迫ります。
組織戦略 LLM【事前学習：組織戦略E-4】
LLM事前学習を一気に進めず、学習・準備、パイロット、本格導入の3フェーズに分けて進めるための24週間ロードマップ。