확장 법칙 (Scaling laws)이 거대 언어 모델 (LLM)의 종합적인 성능을 지배하고 있지만, 사실적 회상 (Factual recall)을 모델 크기와 학습 데이터 구성 모두와 연결하는 확장 법칙은 아직 없습니다. 우리는 자동화된 참조 검증 시스템 (Automated reference verification system)을 통해 평가된 8,900개 이상의 학술 참조 문헌을 바탕으로 38개의 모델을 평가했습니다. 회상 품질은 모델 파라미터 수 (Model parameter count)와 학습 데이터 내 주제 표현도 (Topic representation)의 로그 선형 결합 (Log-linear combination)에 따른 시그모이드 (Sigmoid) 형태를 따릅니다. 이 두 변수만으로 4개 제품군에 속한 16개 밀집 모델 (Dense models) 간 분산의 60%를 설명할 수 있으며, 개별 제품군 내에서는 74~94%까지 상승합니다. 이러한 형태는 회상이 신호 대 잡음비 (Signal-to-noise ratio)에 의해 제어된다는 중첩 (Superposition) 기반의 설명과 일치합니다. 즉, 신호 강도 (Signal strength)는 개념 빈도 (Concept frequency)에 따라 확장되고, 잡음 바닥 (Noise floor)은 모델 용량 (Model capacity)에 따라 확장됩니다.