1. 核心结论

• 模型参数量是衡量模型复杂度的重要指标
• Scaling Law 揭示了参数、数据、算力与性能之间的关系
• 模型规模增大带来涌现能力（Emergent Abilities）

2. 基础概念

参数量：模型中可学习参数的总数，通常以 B（十亿）为单位 Scaling Law：描述模型性能与规模之间幂律关系的经验法则 涌现能力：模型规模超过某个阈值后突然出现的新能力 模型压缩：通过量化、剪枝等技术减小模型体积的技术

3. 实战场景

• 选择适合业务需求的模型规模
• 评估扩大模型的成本收益
• 理解不同规模模型的能力边界

4. 关联笔记

• 大模型工作原理
• 模型选择与对比
• 小模型与端侧模型