《Scaling Laws for Neural Language Models》深度解读报告

摘要

本文解读 OpenAI 于 2020 年 1 月发布的《Scaling Laws for Neural Language Models》。论文的核心论断只有一句话：语言模型的交叉熵损失随模型规模 N、数据集规模 D、训练计算量 C 呈幂律下降，且这一规律跨越超过 6–7 个数量级稳定成立（摘要记 >7 个量级，§1.1 记 >6 个量级）。围绕这条主轴，论文交付了五个可直接用于工程决策的结论：

1. 性能强依赖规模、弱依赖形状：深度、宽度、注意力头数等架构超参在固定非嵌入参数量时对损失的影响仅剩几个百分点，"模型有多大"压倒"模型长什么样"；
2. 过拟合具有普适形式：惩罚由 N/D 比值决定——模型每增大 8×，数据只需增大约 5× 即可避免惩罚；
3. 训练曲线可外推：损失随训练步数的下降遵循近似独立于模型尺寸的幂律（αS≈0.76），早期训练曲线可用于预测长训练结局；
4. 临界批大小只是损失的函数：损失每降低约 13%，临界批大小 B_crit 约翻倍；
5. 最反直觉也最具影响力的一条：固定算力预算下，计算效率最高的做法不是把小模型训练至收敛，而是训练一个远超"预算应得"规模的超大模型并显著早停——最优分配为 N∝C^0.73、B∝C^0.24、训练步数几乎不随算力增长。

这篇论文把语言模型训练从"经验炼丹"改写为"查表运算"，其方程组在此后数年间充当了大规模预训练的"算力宪法"。本报告按"问题—概念—方法—证据—批判—启示"六层结构逐层拆解。

一、问题定位：从经验炼丹到可预测科学

1.1 论文要解决的问题

2020 年初的语言模型研究面临一组尴尬的不对称：从业者已经用 GPT-2 等工作确认"更大更好"，却没有任何定量工具回答三个一切严肃训练决策都绕不开的问题——给定算力预算，该训多大的模型？需要配套多少数据？训练多少步？当时的做法是：凭直觉选规模、跑完训练看损失、再决定要不要重来。每一次试错都以完整的训练运行计价，而模型越大、单价越高，经验主义的代价随之指数化。

论文要做的正是把这组开放问题变成可计算的工程决策：如果损失对 N、D、C 的依赖可以用少数几个指数刻画，那么"下一个模型该多大""这批数据够不够""这笔算力怎么花"就都能在动手训练之前用拟合方程算出答案。作者自己给出的方法论自画像出现在 §8：这套关系被类比为理想气体定律——以普适方式联系宏观性质（压力/体积/温度，此处是损失/规模/数据/算力），独立于大部分微观细节（分子间作用力，此处是架构形状与超参）。（推断）这个类比透露了论文的真实野心层级：它并不试图解释 Transformer 为何有效，而是像热力学之于统计力学那样，先建立可靠的唯象定律，把机制问题留给后人。

1.2 论文在研究谱系中的定位

• 此前的工作形态：模型能力的报告多以"点"的形式出现——某个模型在某基准上的成绩，规模与性能的关系散落在各自独立的实验里，没有统一坐标。（推断）个别先行工作已暗示规模收益的存在，但既无跨数量级的系统采样，也无可供外推的函数形式。
• 本文的姿态：与其说这是一篇"提出新模型"的论文，不如说是一次测量工程——在 768 ~ 1.5B 非嵌入参数、22M ~ 23B tokens 的范围内系统铺设实验网格（§3），然后为整个平面拟合一条曲线。它把 "scaling" 从一个含糊的方向感升级为一组带指数的方程。
• 历史位置：（推断，属解读者补充的历史背景）此文发布于 GPT-3 与后续更大规模训练之间，恰好为"值不值得再大十倍"提供了成本收益的计算框架；而两年后出现的修订性工作（如 Hoffmann et al. 的 Chinchilla）沿用了同样的方法论骨架、修正了其中一条斜率——能被这样精确地"局部修正"，恰恰反证了原文把问题参数化的成功。

一句话小结：本文的贡献不是更好的模型，而是一把尺子——把"模型该多大"从品味问题变成代数问题。

二、概念内核：六个核心概念逐一定义

2.1 幂律缩放（Power-Law Scaling）

术语表定义：L(X) = (X_c/X)^αX 型依赖关系，X ∈ {N, D, C}，指数分别为 αN≈0.076、αD≈0.095、αC≈0.057（Appendix A Table 5）。

拆解：幂律的直观含义是"每次翻倍的收益是一个固定的百分比"。以 N 为例，参数翻倍使损失缩小 2^-0.076 ≈ 0.95 倍（§3.2），即约减收 5%；且无论当前站在 10M 还是 1B 参数处，下一笔翻倍投资的回报率相同。（推断）这正是幂律区别于指数衰减的关键：它保证收益递减但永不清零，从而让"再大十倍是否值得"永远是一个可以量化权衡的问题，而非断崖式的赌注。另一个容易被忽视的细节来自 Appendix A 的标注：尺度常数 N_c、D_c、C_c 依赖 tokenizer 与词表，"没有根本意义"；真正可迁移的只有指数。这意味着跨论文比较缩放行为时应比对 α，而不是比对曲线的绝对高度。

2.2 非嵌入参数 N

术语表定义：排除词嵌入矩阵后的参数计数，N = 2·d_model·n_layer·(2·d_attn + d_ff)（Table 1）。

拆解：这是一个看似平淡却决定全篇数据质量的计量学选择。若把嵌入参数计入 N，性能会表现出对层数的明显依赖；剔除嵌入参数后，不同深度的模型收敛到同一条趋势线（Figure 6，§3.1）。其合理性由 [LCG19] 支撑：嵌入矩阵可以在不损性能的前提下做得更小（§3.2）。（推断）换言之，嵌入参数更像"接口转换器"而非"计算容量"，把它计入规模等于用内存占用冒充算力——这个定义上的纠偏，是形状独立性得以成立的前提。

2.3 形状独立性（Shape/Hyperparameter Independence）

术语表定义：固定非嵌入参数 N 时，n_layer、n_head、d_ff 等形状超参对损失的敏感度极低，宽深比可在约 40 倍范围内变动而不显著偏离趋势线。

拆解：证据的具体形态是：一个 (n_layer=6, d_model=4288) 的扁平模型，可以达到与 RWC19 的 (48, 1600) 深窄模型相差 3% 以内的损失（§3.1）。例外边界也被划出：少于 2 层或极端深宽比会偏离；包含嵌入参数则恢复深度依赖。作者给出的候选解释是深层 Transformer 可能等效于较浅模型的集成（类比 ResNet [VWB16]，§3.1）。（推断）这条结论的战略意义在于把优化空间降维：既然形状几乎不重要，缩放研究只需追踪一维的 N，整个论文的方程组才可能在二维纸面上成立。对工程侧而言，它免除了"逐形状网格搜索"的成本——按硬件友好的形状堆参数即可。

2.4 L(N,D) 与过拟合的普适形式

术语表定义：L(N,D) = (N_c/N)^αN + (D_c/D)^αD（式 1.5；联合拟合 αN=0.076、αD=0.103、N_c=6.4e13、D_c=1.8e13，Table 2）。

拆解：这是全文最重要的单条方程。它把"欠拟合—过拟合"这对定性范畴翻译成一个可加分解：第一项是模型容量项，第二项是数据方差项，二者各管一段。过拟合的程度因此只取决于 N/D 的比值（式 4.3）——由此得到那个广被引用的操作法则：模型每增大 8×，数据增大约 5× 即可维持平衡（§1.1、§4.2）。值得注意的是联合拟合的 αD=0.103 与单变量拟合的 0.095 存在出入（§4.1 明言因拟合对象不同：完整 L(N,D) 对比边缘情形 L(N,∞)/L(∞,D)）。（推断）这个细微裂缝提示两条单项幂律并非严格独立，可加形式是有效近似而非精确结构——后文批判部分将回到这一点。

2.5 临界批大小（Critical Batch Size B*）

术语表定义：B_crit(L) = E_min/S_min（式 5.2），经验拟合 B_crit(L) = B*/L^(1/αB)，B*≈2e8 tokens（Table 5 记 2.1e8），αB≈0.21；在临界批大小附近训练约等于走 2·S_min 步、处理 2·E_min 数据。

拆解：背后的结构性关系是 (S/S_min)^-1 + (E/E_min)^-1 = 1（式 5.1）：步数与数据量在"最小需求"两端互为替代，批大小则是兑换汇率。B_crit 有两个关键性质：其一，它只依赖目标损失 L，不直接依赖模型尺寸——损失每降低约 13%，B_crit 约翻倍（Figure 10，§5.1）；其二，当损失逼近 L_min 时梯度噪声尺度发散。（推断）工程含义是双面的：小 batch 多步与大 batch 少步在计算上等价，因此并行度是可以买到的；但随着模型越来越好，继续加大并行的边际收益会自动衰减——"无限加大 batch"存在由噪声尺度设定的天然上限。

2.6 计算最优分配与"大模型早停"

术语表定义：固定预算 C 下的最优缩放 N∝C^0.73、B∝C^0.24、S∝C^0.03（式 6.1–6.2；理论值 α_c = 1/(1/αS + 1/αB + 1/αN) ≈ 0.054，式 6.4）。

拆解：注意 S 的指数约等于零——这是整篇论文最锋利的结论。算力增长几乎全部兑现为更大的模型与更大的 batch，而不是更长的训练：计算每增 10×，最优模型规模增约 5×，数据量仅增约 2×（Figure 14，§6）。与之配套的反直觉推论是：达到给定性能的最省算力方式是训练一个显著超过目标规模的模型并在中途早停，这种训练远比"把小模型练到收敛"样本高效（§1.1、§6）。（推断）这与深度学习社区"训满 cosine 到零"的默认直觉正面冲突——收敛点在计算经济学的意义上是一种奢侈，而非美德。

三、方法拆解：测量工程与方程构造的完整还原

3.1 实验网格与计量学（§2）

• 训练范围：模型 768 ~ 1.5B 非嵌入参数；数据 22M ~ 23B tokens；形状遍历深度、宽度、注意力头数、前馈维度；上下文多为 1024 tokens；batch size 多为 2^19（约 530K tokens）（§3、§2.3）。
• 标准配方：Adam 固定 2.5e5 步，batch=512 序列 × 1024 tokens；超过 1B 参数的模型换用 Adafactor；3000 步线性 warmup + 余弦衰减至零（§2.2）。
• 数据：WebText2——20.3M 文档、96GB 文本、1.62e10 词，tokenizer 后 2.29e10 tokens，另留 6.6e8 作测试集；词表 n_vocab=50257（BPE）（§2.3）。
• 算力记账：每 token 约 6N 浮点运算，总账 C ≈ 6NBS；1 PF-day = 8.64e19 浮点运算（Table 1）。（推断）这套粗粒度记账刻意忽略注意力项随上下文的二阶差异，换取的是"任何模型任何训练都可折算为一个数"的可比性——计量单位的粗糙是有意为之的简化。

3.2 三条单变量幂律（§3）

分别在其他两因子不成瓶颈的前提下测量：

三条线的测量要点各不相同：L(N) 要求 D 充足（22B tokens 对除最大型外的模型近似 D=∞，§4.2）；L(C) 则必须区分"固定 batch 的 naive 拟合"（αC≈0.057）与"batch 调优后的 C_min 最优拟合"（αC≈0.050，Table 5）——同一世界，两种记账口径，指数差达 12%（相对差，推断）。

3.3 L(N,D) 的三原则构造法（§4.1）

联合方程并非暴力多元回归，而是先验约束下的构型，三条原则依次为：

1. 重缩放协变性：改变词表/单位时 L(N,D) 应自然地跟着重缩放——排除了一切依赖特定 tokenization 的函数形式；
2. 极限一致性：固定 D 令 N→∞ 应退化为 L(D)；固定 N 令 D→∞ 应退化为 L(N)——保证联合方程兼容两条单变量定律；
3. 解析性：在 D=∞ 处可展开为 1/D 的整数幂级数——对应"过拟合源于随 ~1/D 缩放的数据方差/信噪比"的物理图像（作者自认第三条最具推测性，§4.1）。

（推断）这种"对称性/极限约束优先、数据只负责定系数"的构造方式是全文方法论上最讲究的一步：它使得拟合出的少数几个参数承载了远超自由回归的结构信息，也让方程在训练范围之外的外推有了纪律约束。

3.4 L(N,S)：训练曲线的普适性与外推（§5.2）

L(N,S) = (N_c/N)^αN + (S_c/S)^αS，拟合 αS=0.76、S_c≈2.1e3 步（Table 3）。关键观察是训练曲线的形状近似独立于模型尺寸——不同大小的模型沿着彼此平移相似的幂律下滑。由此派生出两个实用工具：

• 早期外推：用训练前段的损失轨迹预测长训练的终点损失（§1.1）；
• 早停下界（式 5.7）：数据受限时 S_stop ≳ S_c / [L(N,D) − L(N,∞)]^(1/αS)，给出"再训也不会更好"的停机判据。

适用边界同样明确：非常早期的 transient 阶段幂律失效，式 5.6 对很小的 S 拟合较差（Figure 11 注，§5.2）。

3.5 从微观指数到宏观最优：α_c 的推导闭环（§6）

这是全文逻辑上最优雅的一环。已知三个微观指数（αN、αB、αS），无需任何新的大规模实验，即可推出预算最优缩放的理论指数：

α_c = 1/(1/αS + 1/αB + 1/αN) ≈ 0.054   （式 6.4）
→ N ∝ C^0.73，B ∝ C^0.24，S ∝ C^0.03

随后用独立的大规模实验验证：经验最佳分配 N∝C^0.73、B∝C^0.24、S∝C^0.03，与理论吻合（式 6.1–6.2）。同时理论 α_c≈0.054 落在两条经验 L(C) 指数（naive 0.057 与最优 0.050）之间。（推断）"三条微观幂律 → 一条宏观最优律 → 实验复算命中"的三段论闭环，是这篇论文区别于纯经验报告的科学品格所在——它给出的不只是数据，而是一个内部自洽的定律体系。

3.6 过拟合的测量方案（§4.2）

以 N/D 比值为唯一变量的过拟合刻度（式 4.3）在 Figure 9 右图得到良好拟合；拟合的唯一显著破口出现在数据缩小 1024 倍至 2e7 tokens 的极端情形——此时每个 epoch 仅 40 步更新，作者判断其属于不同 regime（§4.1）。（推断）诚实标注破口而非强行纳入拟合，是这份拟合可信度的重要加分项。

四、证据链：关键结果逐条评估

4.1 主证据：跨越数量级的平滑幂律（Figure 1）

性能随 N、D、C 分别呈平滑幂律提升，前提是未被其他两因子瓶颈。跨度超过 6–7 个数量级是这条证据的核心资质：在小尺度上拟合、大尺度上外推的做法之所以敢做，正是因为曲线在四个数量级以上未见弯折。（推断）但须同时记住 §1.1 的自我设限——幂律必在到达零损失之前趋平，趋势必有上限。

4.2 形状独立性的两面证据（Figure 5/6）

正面：40 倍宽深比范围内的趋势线重合（3% 以内，§3.1）。反面（控制组的巧妙之处）：一旦把嵌入参数计入 N，深度依赖立刻显现；剔除后又归于一条线（Figure 6）。（推断）这组正反对照的价值在于排除了"形状无关是因为测量太糙"的解释——差异恰好只在被理论预言的位置出现，说明测量精度足以分辨形状效应，只是真实效应本来就小。

4.3 迁移：常数偏移（Figure 8，§3.2.2）

在 Books、Wikipedia、CommonCrawl、Internet Books、WebText2 test 等异于训练的分布上评估，损失随 N 的幂律指数几乎与训练分布一致，仅带一个小而缓慢增长的偏移。（推断）这是容易被低估的证据：它说明幂律刻画的是模型获得的通用语言能力而非对训练集的记忆，否则异分布曲线应在斜率上分化。对"预训练通用能力可迁移"的行业信条而言，这是最早的定量背书之一。

4.4 架构对照组：LSTM 与 Universal Transformer（Figure 7，§3.2.1）

相同数据与上下文长度下，LSTM 对上下文早期 token 的表现与 Transformer 相当，但对后期 token 无法匹配——Transformer 能利用长上下文，LSTM 在不足 100 tokens 后即趋平；Universal Transformer 未显示显著优势。（推断）这组对照的作用是给"幂律归谁所有"划界：幂律本身可能广泛存在，但其斜率质量（尤其长上下文端）是架构相关的——为第八章"跨领域外推属 conjecture"的自我保留提供了实证注脚。

4.5 过拟合与数据充足性（Table 2、Figure 9）

22.0B tokens 对除最大型外的全部模型近似 D=∞；N/D 刻度良好预测过拟合程度；唯一破口在 2e7 tokens 极端情形（见 3.6）。（推断）"22B 即近似无限"这个事实对当时的项目规划极具冲击力——它意味着在 2020 年的模型规模下，数据尚不是主要矛盾，瓶颈在模型与算力侧。

4.6 最优盆地与分配律（Figure 12/14）

每个预算 C 对应一个最优规模 N；偏离的代价出乎意料地温和——0.6× ~ 2.2× 最优规模的模型，仅需 20% 更大的预算即可完成同等训练（Figure 12，§5.4）。（推断）这条"盆地平坦性"在实践中比最优点本身更有价值：它把"精确押中最优规模"的高压决策松弛为"落在合理区间即可"的稳健决策。配合 10× 算力 → 5× 模型 → 2× 数据的分配律，构成了可操作的预算规划全套件。

4.7 内部自洽性：三套指数互相咬合

理论 α_c≈0.054（式 6.4）介于 naive αC≈0.057 与最优 αC≈0.050（Table 5）之间；经验最优分配（0.73 / 0.24 / 0.03）与理论预测（0.73 / 0.24 / ≈0.027–0.03）逐项吻合。（推断）证据链的最强处不在任何单张图，而在这种多口径测量的相互校准——不同路径通向同一个数值时，测量伪影的解释空间就被大幅压缩了。

五、批判审视：局限的深层含义与独立疑点

5.1 作者自述局限的深层含义

1. 幂律必趋平，存在交叉点 N*、C*（§1.1、Figure 13 相关讨论）：超过交叉点后可能需要质上不同的数据需求，L* 可能近似自然语言的逐 token 熵。（推断）这是全文最诚实的伏笔——它预告了"算力万能主义"的天花板：当损失逼近语言本身的熵，参数与算力的边际收益将另行定价，缩放经济学届时换一套方程。
2. 统计报告薄弱（§4.1、Appendix A）：αD 在单变量与联合拟合间取值 0.095 或 0.103，误差棒未严格报告。（推断）对一篇以指数为全部产品的论文，指数自身的置信区间缺席意味着所有下游外推都继承了一份未量化的不确定性。
3. 1/D 过拟合原则最具推测性（§4.1）：第三构造原则的理论基础明显弱于前两条，且未被独立确认。（推断）即 L(N,D) 的可加形式是"受约束的好近似"，不是从第一性原理推出的必然结构。
4. 训练早期与大模型外推不可靠（§5.2、§6.1）：transient 区间之外公式才有效。（推断）这限制了"训几百步就预测终局"的激进用法——外推权是有适用域的。
5. 具体数值依赖 tokenization（§3.2、Appendix A）：N_c、D_c、C_c 无根本意义。（推断）跨论文的绝对损失比较因此暗藏口径陷阱，只有指数层面的对话是安全的。
6. 数据与架构的单一性（§2.3、§8）：WebText2 以 Reddit karma≥3 启发式构建；指数主要基于 Transformer 测得，跨模型族/跨领域的普适性被明示为 conjecture。

5.2 独立观察到的六个疑点

① 指数的暴政：5% 收益率的长期含义。αN≈0.076 意味着损失每减半需要参数放大约 2^(1/0.076) 倍，即约四个数量级（推断，由指数换算）。（推断）这个换算揭示了幂律叙事的另一面："稳定提升"与"收益递减"是同一枚硬币——当单次训练成本随规模线性乃至超线性上涨时，固定百分比的损失改善是否始终值得，是一个论文本身无法回答的经济问题。论文给了尺子，没给价值观。

② "收敛"是被训练配方定义的。标准配方为固定 2.5e5 步 + 余弦衰减至零（§2.2）。（推断）余弦调度意味着学习率恰好在预算耗尽时归零，所谓"收敛损失"实为"该调度下的终点损失"；L(C) 及最优分配结论均内嵌这一调度族。换用其他调度族（如恒定学习率类方案）是否会移动最优 S 指数（当前≈0.03），论文未提供证据。这不是错误，但属于结论的隐式边界条件。

③ 数据质量未入模。全部方程中 D 只以 token 数计，WebText2 的构建依赖单一启发式（Reddit karma≥3，§2.3）。（推断）"一 token 就是一 token"的等价假设在 2020 年的数据丰裕期无害，但在数据受限 regime 中（论文自己在 §6.1 也承认交叉点之后数据需求会发生质变），质量与混合比例必然成为新变量——后来的数据工程实践印证了这一点。原文的方程里没有给质量留座位。

④ 损失≠能力的断层风险。全文以交叉熵损失为唯一因变量。（推断）幂律在损失坐标上平滑，不保证任意下游任务能力同样平滑——某些能力可能呈阈值式出现，损失的小幅改善在特定任务上或表现为跳变。以损失为纲的缩放律对"能力预测"的外推有效性，是论文未触及的断层假设。

⑤ naive 与 optimal 双口径的传播损耗。αC 有 0.057 与 0.050 两版（§1.1、Table 5），分别对应固定 batch 与调优 batch 口径。（推断）后续文献转引"L(C) 指数"时常不注明口径，导致横向比较失真；论文虽在文中反复强调区分，但双轨制天然增加了被误引的概率。同类问题也存在于 αD 的 0.095/0.103 双值。

⑥ 外部有效性：一次采样的时代切片。网格上限 1.5B 参数 / 23B tokens / 1024 上下文（§3）。（推断）全部指数都是在这一窗口内的局部测量；对今日动辄高出多个数量级的模型与上下文，指数是否漂移只能靠外推假设担保。论文对此的态度是坦率的（附录 C 专设 Caveats），但这要求引用者保持同等的克制。

六、启示提炼：可迁移的经验与未来走向

6.1 五条可迁移启示

1. 先把问题参数化，再谈优化：论文最大的方法论遗产是把模糊的方向感（"大力出奇迹"）转译成带指数的方程。任何工程领域都存在自己的"N、D、C"三元组——先找到它们并测量各自的 α，是从手艺走向科学的通用第一步。
2. 对称性与极限约束优先于自由回归：L(N,D) 的三原则构造（3.3）示范了如何用重缩放协变性、极限一致性和解析性把拟合问题压缩到几个参数。约束越多，外推越有纪律——这在任何小样本、大外推的场景（成本实验、容量规划、性能工程）中都值得照搬。
3. 计量学决定理论上限：非嵌入参数的选择直接决定了形状独立性是否成立（2.2）。（推断）一个领域在选定"什么算规模"的计量口径时所犯的错误，会在其后所有定律中以系统性偏差的形式复现——计量学审查应先于定律拟合。
4. 稳健区间比最优点更值钱：0.6×–2.2× 仅付 20% 溢价的最优盆地（4.6）表明，向决策者交付"平坦的盆地"比交付"尖锐的最优点"更具工程价值；测量工作应主动报告盆地的宽度而非只报谷底坐标。
5. 早停的大模型胜过收敛的小模型——资源错配的普遍隐喻：把预算押在"超额容量 + 提前退出"上而非"刚好容量 + 训满"上，这一结论的结构（容量冗余换取样本效率）在团队建设、基础设施预留等场景中亦有同构回响（推断，类比性引申）。

6.2 可能的局限走向与历史回响

• 从量到质：交叉点 N*、C* 之后"质上不同的数据需求"（5.1 条目 1）指向数据质量、组成与课程进入缩放方程的必然性——D 从标量膨胀为向量；
• 从损失到能力：下游能力的标度行为（含可能的阈值涌现）需要独立于交叉熵的第二套测量体系（推断）；
• 从一族到多族：指数的架构普适性（LSTM 已示弱，Universal Transformer 未占优，§3.2.1）需要在更多模型族上重测，幂律的"理想气体定律"地位才能从 conjecture 升格为定理；
• 历史的裁决方式耐人寻味（推断，背景补充）：后续修订工作并未推翻这套框架，而是在其内部修正了一条斜率——一个理论最大的荣耀，莫过于连它的修正都必须借用它的语言。

总结

《Scaling Laws for Neural Language Models》用一个跨越 6–7 个数量级的测量工程，把语言模型训练的三大开放决策——模型多大、数据多少、训练多久——压缩进三组带指数的幂律方程：L(N)、L(D)、L(C) 的单变量律（αN≈0.076、αD≈0.095、αC≈0.057/0.050），三原则构造的联合律 L(N,D)，以及由此推出的最优分配律 N∝C^0.73、B∝C^0.24、S∝C^0.03。它的最强之处是多路证据的内部自洽：微观指数经代数合成的宏观预测与独立实验逐项吻合；它的最深远影响是确立了"大模型 + 早停"的计算经济学，终结了"小模型训到收敛"的默认直觉；它最诚实的部分是为自己划定边界——幂律必趋平、常数无根本意义、跨域普适属猜想。五年后回望，（推断）这篇论文的持久价值不在于那些会被后续工作微调的指数数值，而在于它示范了一种面对复杂系统的科学姿态：先测量、再约束、后外推，并且随时准备在自己的坐标系里被修正。