大模型的「涌现能力」是什么？为什么有争议

大模型的参数量和数据量翻了几十倍之后，有些原本完全做不到的能力突然就能做了——多步推理、按例子学新任务、复杂指令跟随，都是常被点名的例子。业内把这种现象叫「涌现能力」：能力没有随规模线性变好，而是在某个规模点之后像台阶一样出现。这个概念支撑了前几年把模型越做越大的路线，但围绕它的争议一直没停过。

现象本身：能力是台阶，不是斜坡

涌现描述的观察是这样的：同一个任务，10B 规模的模型接近零分，70B 规模的模型突然能做对一大半，中间看不到「慢慢变好」的过程。支撑规模的三个变量是参数、数据和算力，三者一起抬，能力曲线在某个点上抬头。一个直观的例子是按示例学习：给模型几个「输入—输出」的示例让它照着完成新任务，小模型往往抓不到规律，答案离谱；模型够大之后就能看例子学会——没有人专门教过它这一条。

想判断一个模型处于哪个量级，可以先看参数量级的公开信息：7B 和 70B 的差距不只是数字，背后是数据、算力和预期能力的整体差异。

争议核心：能力真的「跳」了，还是尺子有问题

反对意见集中在评测方式上。很多基准只按最终答案对错计分，答错是 0 分、答对是 1 分。模型从「完全错」到「偶尔对」的平滑进步，在这种离散指标上看起来就像从 0 跳到 1。有研究换成连续计分（按部分正确给分）之后重新画曲线，不少「涌现」变成了平缓爬坡。换句话说，能力可能一直在稳定增长，只是我们选的尺子把它显示成了跳跃。

这个批评有分量，因为它指向的对象值得想清楚：被测量的东西没变，换一把尺子，结论就能从「突变」变成「渐变」。读任何「模型突然解锁新能力」的说法之前，先看它用的指标是对错计分还是连续计分。

对使用者来说，这场争议有实际意义：选型时看到的跑分，大多是离散计分出来的。「同一个模型在这份榜单突然领先、在那份榜单平平无奇」的现象，一部分就来自指标口径的差异。多任务混合的基准比单一任务基准更抗「跳跃假象」，因为各任务的得分变化会在汇总时互相抵消一部分。看榜先看任务构成和计分方式，再看名次，顺序别反。

规模之外，还有三个变量

即便涌现现象部分成立，把「做大」当成唯一路径也不成立。数据质量和配比影响巨大，训练方式（比如让模型先学会分步思考）能让中等规模模型做出过去要大模型才有的推理表现。产品侧还有一层：同一家厂商的不同代模型能力差异明显，免费版和付费版差在哪一文里的代际划分，比单看参数量更能反映真实体验。

开源阵营的情况也值得看：参数量相近的开源权重模型，因为数据和训练路线不同，实际能力可以差出一个代际，开源权重模型能免费用吗一文对使用和商用边界有说明。选型时把「规模」当参考而不是答案，才不会被单一数字带偏。

这个概念能预测什么，不能预测什么

涌现是个回溯性的描述，不是预测工具。它解释不了「下一个能力会在哪个规模点出现」，也推不出「我的任务会不会受益」。工程上更可靠的做法是在自己的任务上实测：拿几十条真实输入跑一遍，看表现和成本，比争论「大模型会不会涌现出这个能力」有用得多。量化就是现成的对照样本——模型量化为什么能瘦身一半一文中，规模缩小后多数任务表现基本保留、个别任务下滑明显，恰恰说明能力与规模的关系因任务而异，不存在一条对所有任务通用的台阶线。

涌现能力速查

• 涌现＝能力在某个规模点后突变出现，是观察到的现象，不是定律
• 「跳跃」可能一部分来自对错计分的评测方式，连续计分下曲线更平缓
• 规模之外，数据质量与训练方式同样决定能力
• 别用涌现做选型依据，实测自己的任务才算数
• 量化、蒸馏都会改变能力边界，结论以实测为准