---
title: "一篇密度论文登上《自然·机器智能》封面：清华韩旭与\"能力密度\"这条路"
date: 2026-11-17
category: 科技人物
site: 脑机网
canonical: https://aiai.cafe/a/njw-c5f3e7
language: zh-CN
---

# 一篇密度论文登上《自然·机器智能》封面：清华韩旭与"能力密度"这条路

> ## 关键要点

## 关键要点

- 2025 年 11 月 6 日，《大语言模型的密度法则》在线发表于《自然·机器智能》第 7 卷，页码 1823 至 1833，DOI 为 10.1038/s42256-025-01137-0；清华大学与北京市方面均称其为当期封面文章。
- 研究分析了 51 个开源模型，结论是最优能力密度大约每 3.5 个月（约 100 天）翻一倍，报告的拟合优度 R² 为 0.934。
- 清华研究者韩旭是该文共同作者之一，第一作者为肖朝军，资深作者中包括孙茂松，署名单位横跨清华大学与面壁智能。
- 论文把密度法则定位为规模法则的补充而非否定：一条描述某一时刻的规模，一条描述效率随时间改善的速度。
过去三年，国内大模型的竞赛大体是比大小：参数更多、训练更久、幻灯片上的数字更漂亮。2025 年 11 月登上《自然·机器智能》封面的那篇论文，提出换一个数字看问题——一个模型把多少智能装进了每一个参数里。推动这套想法的人之一是清华研究者韩旭，而那篇论文已经成为一批开发者的参照点：他们相信下一轮收益来自效率，而不是规模。

## 从"参数量"到"每个参数装了多少智能"
核心概念叫能力密度。说白了就是：要达到某个性能水平，模型真正需要多少"有效参数"，再拿这个数和模型实际携带的参数做比较。一个模型如果干着比自身体量大得多的活，密度就高；反过来，需要超出自身规模的参数才勉强达标，密度就低。

密度法则的主张是：这条密度的前沿会随时间指数上升。3.5 个月翻倍这个节奏拟合得相当紧，看起来不像噪声，更像规律。

团队还发现 ChatGPT 发布前后有一次换挡：在那之前，密度大约每 4.8 个月翻倍；之后变成约每 3.2 个月。所用基准包括 MMLU、BBH、MATH、HumanEval 和 MBPP，另外用无污染的 MMLU-CF 数据集做了校验，以防模型只是背下了题目。

## 作者名单背后的产学研链条
名单读起来像一张"清华到产业"的路线图：第一作者肖朝军，资深作者里有孙茂松，署名单位分属清华大学与面壁智能——这家北京公司把产品战略压在端侧 AI 上。

韩旭在国内开源圈为人所知，主要是因为高效小模型的工作，以及参与建设公开发布权重与工具的 OpenBMB 社区。他也与 MiniCPM 系列端侧模型有关，这类软件的目标是跑在手机、车机或机器人本地，而不是远处的机房。

需要说清楚的是：这是团队成果，不是个人战绩——把整条法则归到一个人头上，是误读作者名单。

## 当一条法则变成产品论点
一家公司为什么会在意一条密度曲线？因为它把"效率"翻译成了路线图。

- 如果每个参数的能力持续上升，去年还需要一整个机柜的模型，今年可能就装进一台设备。
- 这会改变推理发生在哪里：时延更低、对网络的依赖更少、用户数据在何处处理也更可控。竞争基线也跟着变——在常见基准上追平大模型的小模型，可以在成本和功耗上压过对方。
面壁智能曾披露，截至 2026 年 8 月下旬，MiniCPM 系列累计下载量超过 5000 万次。这是公司口径，不是审计数字；下载量反映分发和开发者兴趣，不是收入。

这条法则把自己摆在规模法则的补充位置，而不是反驳：云端模型可以继续变大，小模型可以在单位参数上更聪明。

## 为什么一篇中国论文会被反复引用
密度法则在国内成为话题，一部分原因是它给一个现实约束提供了研究上的说法。国内开发者在获取最先进芯片上受到限制，而一条"效率按可预期节奏改善"的法则，提供了一种把约束看成轨迹、而不是死胡同的思路。不过这种解读不宜拉得太远：一条拟合出来的经验法则，描述的是已经发生的事，不保证必然发生的事。它受到的关注，本身就说明这个行业有多渴望一个新的组织性概念。

## 诚实的局限
本文的事实骨架是《自然·机器智能》那篇论文，以及介绍封面入选情况的中方机构页面。51 个模型、3.5 个月翻倍、0.934 拟合度来自研究团队自己的测量，应读作报告结果，而非独立验证的发现。"封面文章"由机构信源确认，不是本文查阅到的期刊页面；5000 万次下载是公司声明。论文没有证明密度会一直翻倍，也没有证明高密度模型在被测基准之外同样可靠。不妨把这条法则看成有清晰出处的经验观察，而不是自然定律。

## 普通人现在能做什么

- 如果你用开源模型做产品，把论文找出来读一遍，再看看密度趋势在你实际使用的那一族模型上是否成立。
- 如果你在云端推理和端侧推理之间做选择，把密度上升当作"重新测一遍小模型"的理由，而不是"放弃大模型"的理由。
- 如果你关注 AI 研究，学会区分经验趋势线和物理定律——这里的"法则"是个标签，不是承诺。

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-c5f3e7
本内容仅供参考，不构成投资建议。
