扩大神经网络的规模已经在广泛的任务中取得了显著的性能提升。此外，性能通常遵循可靠的扩展规律，这些规律与训练集大小、模型大小和计算资源有关，为日益昂贵的大规模实验提供了宝贵的指导。然而，以往关于扩展规律的研究主要使用了私有数据和模型，或者专注于单模态语言或视觉学习。为了克服这些限制，我们利用公共LAION数据集和开源OpenCLIP存储库对对比语言-图像预训练（CLIP）的扩展规律进行了研究。我们的大规模实验涉及最多达20亿个图像-文本对的模型训练，并识别出多个下游任务中的幂律扩展规律，包括零样本分类、检索、线性探测和端到端微调。我们发现，训练分布对于扩展规律起着关键作用，尽管OpenAI和OpenCLIP模型具有相同的架构和相似的训练方法，但它们表现出不同的扩展行为。我们开源了评估流程和所有模型，包括最大的公开CLIP模型，以确保可重复性和提高扩展规律研究的可访问性。本研究的源代码和重现指南将在https://github.com/LAION-AI/scaling-laws-openclip 提供。