唐杰重新解读Scaling Law：大模型不只要堆参数

刚刚，智谱创始人唐杰老师，在X上发了一篇超棒的帖子，专门说了下他对Scaling Law的理解。

正好今天AA的成绩也出来了，我把原帖和AA指数都放在评论区了。

GLM-5.3拿到了60分，上一代GLM-5.2是53分，基座是完全相同的，总参数753B，激活40B，而且大家Coding体感也都很棒，都觉得是国产SOTA了。

但也有很多人也在说为啥智谱这次不训个新的基座模型。唐老师这篇帖子，刚好讲的非常清楚，也有非常多的干货。

他说，Scaling，从来不只有参数量这一个点。我们以前一聊大模型，最先问的总是参数量，但是参数量单独拿出来，其实说明不了多少东西。

现在它至少还得跟另外三个问题放在一起看：
模型有多少数据。
算力花在了哪。
谁在什么条件下运行它。

这背后，其实是Scaling Law过去几年一直在发生的变化。

2020年，Kaplan等人算出一个比例，认为参数增长应该比数据增长快得多，大概是2.7比1。然后整个行业也都这么走了，很多模型越做越大，万亿参数也一度被当成了模型进步的必经之路。

到了2022年，Hoffmann等人拿四百多个模型重新做了一遍实验，结果发现，算力最优的分配更接近每个参数20个Token。算力继续增加时，参数和数据应该以差不多的速度一起增长。

这就是Chinchilla Scaling Law。其实现在回头看，之前那一轮最大的模型，反而也是算力分配最失衡的一批。参数堆得太快，数据没有跟上，实际上效果没有那么好。

但版本还在变化， 因为Chinchilla考虑的是一个模型训练一次，然后拿去评测。但是今天的模型上线以后，每天可能被调用几十亿次，上线后的推理成本可能远远大于那一次训练。

所以如果我们把这笔账也算进去，最优解又会往更小、训练更久的模型移动。到了MoE时代，那个简单的20比1也不够用了。

唐老师在帖子里区分了两个很重要的东西。
总参数量，大概决定模型能装下多少知识、事实和长尾信息。
激活参数和每次前向计算的有效深度，大概决定模型的长程推理能力。

需要记忆的任务，更吃参数量。需要推理的任务，更吃数据。后续研究甚至发现，在每个参数对应Token数量固定时，继续增加总参数可能会让推理变差，激活更多专家反而会稳定地提升推理能力。

所以，大模型到底有多聪明，早就没法被一个总参数量概括了。

GLM-5.3这次，唐老师说，它更像一次控制变量实验。大模型Scaling依然在继续。

只是它已经从一个越来越大的数字。变成了寻找最优解的游戏。