# 智能能力密度崛起猜想 ## 從單一參數規模定律到總資源—能力—效率聯合規模律 **英文工作名：** *The Intelligence-Density Emergence Conjecture: From Parameter Scaling to a Joint Resource–Capability–Efficiency Scaling Law* **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **文件性質：** 命題猜想論文／AI 產業方法論／可持續修訂稿 **版本：** v0.1 **日期：** 2026-07-18 --- ## 摘要 近年大型語言模型的能力提升，長期受到規模定律支配：增加參數、資料與訓練算力，通常能帶來更低的損失與更強的泛化能力。本文不否定規模定律，反而主張其仍將持續有效。然而，隨著模型推理 Token 消耗、資料中心電力、HBM、冷卻、網路頻寬、晶片供給與建設時空間逐漸成為現實瓶頸，產業的主要競爭單位可能從「誰能製造最大的模型」，轉向「誰能在相同或更低總資源下維持接近前沿的有效能力」。 本文提出「智能能力密度崛起猜想」： > 當前沿模型能力持續提高，而電力、算力、記憶體與推理成本的增長速度超過可接受範圍時，產業將系統性轉向智能壓縮、稀疏啟用、蒸餾、量化、架構重組、推理編譯、動態路由與專用晶片協同；以相同甚至更低參數量，保留特定任務域內接近前沿模型的能力，將由旁支研究逐步轉為主流產業。 本文進一步區分： 1. **前沿探索模型**：以巨大總資源探索新能力； 2. **能力壓縮模型**：將前沿能力轉移至較小、較快、較便宜的模型； 3. **系統智能模型**：利用工具、記憶、驗證器與多 Agent，使較小模型取得接近大型模型的任務成功率； 4. **智能編譯基礎設施**：在模型、晶片、Token、記憶體與能源之間進行動態最佳化。 本文的中心命題不是「小模型全面等於大模型」，而是： $$ \boxed{ \text{在明確任務分布與可靠性條件下，最小充分模型將成為主要工程目標。} } $$ 最後，本文提出可證偽條件、產業預測與觀察指標，用以判斷智能能力密度是否真的會成為下一階段 AI 競爭的主軸。 **關鍵詞：** 規模定律、智能能力密度、模型壓縮、蒸餾、MoE、量化、推理成本、電力、AI 晶片、最小充分模型 --- # 一、問題意識 ## 1.1 規模定律仍然有效 本文的出發點不是： $$ \text{規模定律已失效} $$ 而是： $$ \boxed{ \text{規模定律仍然有效，但「需要擴大的對象」正在增加。} } $$ 早期對規模定律最直觀的理解是： $$ \text{參數量增加} + \text{訓練資料增加} + \text{訓練算力增加} \rightarrow \text{模型能力提升} $$ 然而，隨著模型進入長上下文、長程推理、工具使用、多 Agent、Computer Use 與持續工作環境，能力不再只取決於模型內部參數。 更完整的能力函數可能是： $$ Q = F \left( P_{\mathrm{total}}, P_{\mathrm{active}}, D, C_{\mathrm{train}}, C_{\mathrm{test}}, A, H, V, M, I \right) $$ 其中： - $Q$ ：有效能力； - $P_{\mathrm{total}}$ ：總參數量； - $P_{\mathrm{active}}$ ：每次推理實際啟用參數； - $D$ ：資料數量、品質與結構； - $C_{\mathrm{train}}$ ：訓練計算； - $C_{\mathrm{test}}$ ：推理時計算； - $A$ ：模型架構； - $H$ ：Agent harness 與工具環境； - $V$ ：驗證器與錯誤修正； - $M$ ：外部記憶與檢索； - $I$ ：物理基礎設施。 因此，參數只是整體能力系統的一個變數。 --- ## 1.2 為什麼單純擴大參數會遭遇現實瓶頸？ 即使規模定律成立，也不代表產業可以無限制地沿單一路線擴張。 大型模型的現實成本包括： - 訓練電力； - 推理電力； - HBM 與記憶體頻寬； - 晶片供給； - 資料中心冷卻； - 網路互連； - 土地與基礎設施； - 推理 Token 消耗； - 延遲； - 模型部署與維護； - 晶片世代更新所需時間。 因此，AI 擴張受制於： $$ R_{\mathrm{physical}} = (E,B,K,N,L,T) $$ 其中： - $E$ ：能源； - $B$ ：記憶體頻寬； - $K$ ：冷卻能力； - $N$ ：網路； - $L$ ：土地與建設； - $T$ ：建設與製造時間。 模型能力可以快速提高，但現實基礎設施無法以相同速度瞬間擴張。 這形成： $$ \frac{dQ}{dt} > \frac{dR_{\mathrm{physical}}}{dt} $$ 當能力需求增長速度長期高於物理供給速度，效率最佳化就不再只是選項，而會成為產業必需。 --- # 二、核心命題 ## 2.1 智能能力密度崛起猜想 本文提出： > **命題猜想一：智能能力密度崛起猜想。** > 當前沿模型持續提高能力，而能源、晶片、記憶體、Token、延遲與成本逐漸成為主要限制時，產業競爭將從追求最大模型，逐步轉向追求單位參數、單位啟用參數、單位 Token、單位焦耳、單位時間與單位成本所能承載的有效智能。 形式化為： $$ \rho_{\mathrm{intelligence}} = \frac{Q_{\mathrm{effective}}} {R_{\mathrm{consumed}}} $$ 其中： - $Q_{\mathrm{effective}}$ ：完成真實任務的有效能力； - $R_{\mathrm{consumed}}$ ：完成該任務消耗的總資源。 當： $$ \frac{dR_{\mathrm{consumed}}}{dt} > \frac{dQ_{\mathrm{effective}}}{dt} $$ 產業將提高對： $$ \frac{Q_{\mathrm{effective}}}{R_{\mathrm{consumed}}} $$ 的重視。 --- ## 2.2 規模定律不會消失，而會多維化 本文提出： > **命題猜想二：多重規模律轉換猜想。** > AI 規模定律將由單一參數規模，轉化為模型、資料、訓練、推理、系統與基礎設施共同作用的聯合規模律。 即： $$ Q = F \left( S_M, S_D, S_T, S_I, S_H, S_P \right) $$ 其中： - $S_M$ ：模型規模； - $S_D$ ：資料規模； - $S_T$ ：訓練規模； - $S_I$ ：推理時計算規模； - $S_H$ ：Agent、工具與記憶系統規模； - $S_P$ ：物理基礎設施規模。 規模律不再只是： $$ Q\propto P^\alpha $$ 而更接近： $$ Q = k P_{\mathrm{active}}^\alpha D^\beta C_{\mathrm{test}}^\gamma H^\delta V^\epsilon I^\zeta $$ 此式不是既成實證定律，而是本文提出的結構性猜想。 --- ## 2.3 最小充分模型猜想 > **命題猜想三：最小充分模型猜想。** > 在明確任務分布、成本上限與可靠性標準下，產業將優先尋找能滿足需求的最小模型，而非無條件使用最大模型。 設任務分布為 $\mathcal D$ ，模型能力向量為： $$ \mathbf Q(M,\mathcal D) = ( q_1,q_2,\ldots,q_n ) $$ 所需最低能力為： $$ \mathbf Q_{\mathrm{required}} $$ 則最佳模型為： $$ M^\ast = \arg\min_M \operatorname{Cost}(M) $$ subject to： $$ \mathbf Q(M,\mathcal D) \geq \mathbf Q_{\mathrm{required}} $$ 其中成本可以包括： $$ \operatorname{Cost}(M) = w_EE+w_LL+w_MM+w_TT+w_CC $$ - $E$ ：能源； - $L$ ：延遲； - $M$ ：記憶體； - $T$ ：Token； - $C$ ：金錢成本。 --- # 三、智能能力密度的多種定義 ## 3.1 每總參數能力 $$ \rho_{\mathrm{total}} = \frac{Q}{P_{\mathrm{total}}} $$ 這適用於比較模型的總容量與有效能力。 但對 MoE 模型而言，總參數量不等於每次推理成本，因此不能單獨使用。 --- ## 3.2 每啟用參數能力 $$ \rho_{\mathrm{active}} = \frac{Q}{P_{\mathrm{active}}} $$ 此指標更接近實際推理成本。 當： $$ P_{\mathrm{total}}\gg P_{\mathrm{active}} $$ 模型可以保留巨大總容量，同時降低每次推理啟用成本。 --- ## 3.3 每 Token 智能 $$ \rho_T = \frac{Q}{N_{\mathrm{tokens}}} $$ 若兩個模型都能完成相同任務，但其中一個需要更少輸出 Token、更少重試與更短推理鏈，則其 Token 效率更高。 然而，必須防止模型只是縮短答案而失去可靠性。 --- ## 3.4 每焦耳智能 $$ \rho_E = \frac{Q}{E_{\mathrm{joules}}} $$ 這可能成為未來最重要卻最難公開測量的指標之一。 它會受到： - 晶片架構； - 記憶體； - 精度； - 批次； - 推理框架； - 冷卻； - 資料中心 PUE； 共同影響。 --- ## 3.5 每美元任務成功能力 $$ \rho_{\$} = \frac{\Pr(\operatorname{Success})} {\operatorname{TotalCost}} $$ 其中總成本不能只計算 API 價格，還應加入： - 重試； - 人工審核； - 錯誤修正； - 工具費用； - 延遲； - 失敗損失。 --- ## 3.6 每時間智能 $$ \rho_{\tau} = \frac{Q}{\operatorname{Latency}} $$ 對即時控制、機器人、遊戲、語音代理與互動系統而言，延遲本身就是能力的一部分。 --- ## 3.7 每單位人類介入智能 設人類介入密度為： $$ D_H = \frac{N_{\mathrm{human\ interventions}}} {\operatorname{TaskDuration}} $$ 則 Agent 自主能力密度可寫為： $$ \rho_H = \frac{Q_{\mathrm{effective}}} {1+D_H} $$ 一個 benchmark 很強、但每幾分鐘都需要人類救援的系統，不應被視為真正高能力密度。 --- # 四、為什麼小模型可能接近大模型？ ## 4.1 資料品質提升 模型能力不只取決於資料數量，也取決於： - 資料正確性； - 推理密度； - 任務結構； - 因果關係； - 難度排序； - 負例與錯誤修正； - 教師模型生成軌跡。 可表示為： $$ D_{\mathrm{effective}} = D_{\mathrm{quantity}} \cdot D_{\mathrm{quality}} \cdot D_{\mathrm{structure}} $$ 當資料品質與結構顯著提高時，較小模型也可能獲得較高能力。 --- ## 4.2 知識蒸餾 大型教師模型可以產生： - 推理軌跡； - 高品質解答； - 反例； - 自我修正； - 工具使用過程； - 任務分解方式。 學生模型學習的不是原始資料本身，而是教師模型已壓縮過的能力表現。 因此： $$ M_{\mathrm{frontier}} \rightarrow D_{\mathrm{distilled}} \rightarrow M_{\mathrm{small}} $$ 這使小模型能吸收部分大型模型已支付過的探索成本。 --- ## 4.3 稀疏啟用與 MoE MoE 允許： $$ P_{\mathrm{total}} \uparrow $$ 但： $$ P_{\mathrm{active}} \ll P_{\mathrm{total}} $$ 模型保留大量專門能力，但每次推理只啟用相關專家。 其核心目標是： $$ \frac{Q}{P_{\mathrm{active}}} \uparrow $$ --- ## 4.4 量化與低精度計算 模型權重與計算精度可由高精度降低為： - FP8； - INT8； - INT4； - 更低精度或混合精度。 若精度下降帶來的能力損失小於成本收益，則： $$ \frac{\Delta Q}{\Delta R} < 0 $$ 可能形成高效率部署。 --- ## 4.5 專門化與任務域限制 小模型最容易在明確任務域接近大模型。 設： $$ \mathcal D_{\mathrm{specific}} \subset \mathcal D_{\mathrm{general}} $$ 則小模型可能滿足： $$ Q_{\mathrm{small}} \left( \mathcal D_{\mathrm{specific}} \right) \approx Q_{\mathrm{large}} \left( \mathcal D_{\mathrm{specific}} \right) $$ 但不代表： $$ Q_{\mathrm{small}} \left( \mathcal D_{\mathrm{general}} \right) \approx Q_{\mathrm{large}} \left( \mathcal D_{\mathrm{general}} \right) $$ 這是本文必須保留的上界。 --- ## 4.6 外部工具與系統補償 較小模型可透過： - 搜尋； - 計算器； - 程式執行； - 知識庫； - 檢索； - 長期記憶； - 驗證器； - 多 Agent； - 專業模組； 補償內部參數不足。 有效能力因此是： $$ Q_{\mathrm{system}} = Q_{\mathrm{model}} + Q_{\mathrm{tools}} + Q_{\mathrm{memory}} + Q_{\mathrm{verification}} + Q_{\mathrm{coordination}} $$ 這意味著「模型較小」不必然等於「系統能力較低」。 --- # 五、智能壓縮產業崛起猜想 ## 5.1 前沿探索公司 第一類公司持續建立最大、最強的教師模型。 其作用是： - 探索新能力； - 建立高品質合成資料； - 發現新的推理結構； - 提供教師模型； - 推進科學與工程前沿。 它們的目標是： $$ \max Q_{\mathrm{frontier}} $$ --- ## 5.2 智能壓縮公司 第二類公司不一定訓練最大模型，而專注於： - 蒸餾； - 剪枝； - 稀疏化； - 量化； - 架構搜尋； - 動態路由； - 專業化； - 推理鏈壓縮； - Cache； - 推測解碼。 其目標是： $$ \max \frac{Q}{R} $$ --- ## 5.3 智能編譯公司 這類公司可能不創造新的基礎模型，而是將任務自動編譯至最合適的模型與硬體。 例如： $$ \operatorname{Compile} ( \text{Task}, \text{Budget}, \text{Latency}, \text{Risk} ) \rightarrow ( M^\ast, H^\ast, C^\ast ) $$ 其中： - $M^\ast$ ：模型； - $H^\ast$ ：harness； - $C^\ast$ ：計算配置。 它們將控制： > 智能如何以最低成本被實際運行。 --- ## 5.4 垂直能力封裝公司 這類公司把前沿能力壓入： - 法律； - 醫療； - 金融； - 製造； - 農業； - 遊戲； - 教育； - 科研； - 政府行政。 其競爭優勢不一定是一般能力，而是： $$ Q_{\mathrm{domain}} + V_{\mathrm{domain}} + D_{\mathrm{domain}} + W_{\mathrm{workflow}} $$ 其中： - $V_{\mathrm{domain}}$ ：領域驗證； - $D_{\mathrm{domain}}$ ：領域資料； - $W_{\mathrm{workflow}}$ ：領域工作流。 --- ## 5.5 專用晶片與異質計算公司 若模型結構變得更稀疏、低精度與動態，通用 GPU 未必永遠是最優解。 可能崛起的方向包括： - 稀疏矩陣專用晶片； - 低精度推理晶片； - 邊緣 AI 晶片； - KV-cache 專用記憶體架構； - 光子與類比計算； - 記憶體內運算； - 多晶片動態調度。 模型壓縮與專用硬體可能形成共同設計： $$ \operatorname{CoDesign} ( \text{Model}, \text{Compiler}, \text{Chip} ) $$ --- # 六、大模型與小模型不是零和競爭 ## 6.1 大模型探索，小模型普及 本文不預測小模型完全取代大模型。 更可能的循環是： $$ \text{大模型探索} \rightarrow \text{能力蒸餾} \rightarrow \text{小模型部署} \rightarrow \text{產生新資料} \rightarrow \text{再推動大模型} $$ 大型模型負責： - 開拓未知能力； - 生成高品質教師資料； - 處理最複雜任務； - 建立高階規劃。 小模型負責： - 大量部署； - 即時推理； - 個人設備； - 專業場景； - 低成本 Agent； - 資料生成與預處理。 --- ## 6.2 模型群落而非單一模型 未來一個完整系統可能包含： $$ \mathcal M = \{ M_{\mathrm{planner}}, M_{\mathrm{coder}}, M_{\mathrm{vision}}, M_{\mathrm{critic}}, M_{\mathrm{router}}, M_{\mathrm{memory}} \} $$ 大型模型只在必要時被調用。 其他任務由更小模型完成。 所以總能力可能來自： $$ Q_{\mathrm{system}} = \sum_i w_iQ(M_i) + Q_{\mathrm{coordination}} $$ 而不是所有任務都交給最大模型。 --- # 七、「能力接近」的嚴格限制 ## 7.1 能力必須向量化 不能只寫： $$ Q_{\mathrm{small}} \approx Q_{\mathrm{large}} $$ 模型能力應表示為： $$ \mathbf Q(M) = ( q_{\mathrm{reasoning}}, q_{\mathrm{coding}}, q_{\mathrm{knowledge}}, q_{\mathrm{robustness}}, q_{\mathrm{long-context}}, q_{\mathrm{agency}}, q_{\mathrm{generalization}} ) $$ 小模型可能只在某些分量接近大型模型。 --- ## 7.2 分布內接近不等於分布外接近 蒸餾模型可能在訓練與評測分布內表現很好，但在未知問題中失效。 因此： $$ Q_{\mathrm{small}}(\mathcal D_{\mathrm{train}}) \approx Q_{\mathrm{large}}(\mathcal D_{\mathrm{train}}) $$ 不能推出： $$ Q_{\mathrm{small}}(\mathcal D_{\mathrm{unknown}}) \approx Q_{\mathrm{large}}(\mathcal D_{\mathrm{unknown}}) $$ --- ## 7.3 壓縮可能失去能力尾部 大型模型的價值可能不只在平均能力，而在極少數困難任務上的尾部表現。 設能力分布尾部為： $$ Q_{\mathrm{tail}} = Q \left( \mathcal D_{\mathrm{rare}} \right) $$ 壓縮模型可能保留大部分常見能力，但失去稀有組合、跨領域泛化與新問題處理能力。 --- # 八、產業演化預測 ## 8.1 預測一：效率指標會進入主流模型發布 未來模型發布不只公布： - 參數； - benchmark； - 上下文長度。 還會更常公布： - 每任務 Token； - 每成功任務成本； - 每瓦吞吐； - 每啟用參數能力； - 人工介入率； - 長任務完成成本； - Cache 命中率； - 模型路由效率。 --- ## 8.2 預測二：大型教師模型與部署模型分離 越來越多公司可能採用： $$ M_{\mathrm{teacher}} \neq M_{\mathrm{deployment}} $$ 教師模型巨大、昂貴、低頻使用；部署模型較小、便宜、高頻使用。 --- ## 8.3 預測三：模型路由成為核心基礎設施 系統將根據任務難度自動分配模型： $$ \operatorname{Route}(x) = \begin{cases} M_{\mathrm{small}}, & d(x)<\theta_1\\ M_{\mathrm{medium}}, & \theta_1\leq d(x)<\theta_2\\ M_{\mathrm{frontier}}, & d(x)\geq\theta_2 \end{cases} $$ 其中 $d(x)$ 是任務難度。 --- ## 8.4 預測四：邊緣設備智能上升 在手機、個人電腦、車輛、機器人與穿戴設備中，本地模型會因： - 隱私； - 延遲； - 離線能力； - 成本； - 個人化； 而快速增長。 --- ## 8.5 預測五：專用模型公司重新崛起 通用模型能力提高，不會消滅專用模型。 相反，前沿模型提供更好的蒸餾教師，使垂直模型更容易取得高能力。 --- ## 8.6 預測六：電力效率成為國家與公司競爭指標 若 AI 用電持續增加，國家與企業將關注： $$ \frac{\text{有效 AI 工作量}} {\text{兆瓦時}} $$ 政策、補貼、晶片投資與資料中心位置，可能圍繞智能能源效率重新配置。 --- # 九、可證偽條件 本文是命題猜想，不是既成定律。 若未來出現以下情況，應下修或否定本文。 ## 9.1 小模型長期無法縮小差距 若前沿模型的能力差距持續擴大，而且蒸餾、稀疏化、量化與工具補償都無法使較小模型接近，則能力密度崛起的強版本不成立。 --- ## 9.2 電力與晶片供給增長快於需求 若核能、再生能源、專用晶片、光互連與資料中心建設使算力供給長期不再構成瓶頸，產業可能繼續優先擴大模型，而不急於壓縮。 --- ## 9.3 使用者願意支付高昂成本 若大型模型創造的價值遠高於其成本，則市場可能接受高耗能、高 Token、高價格系統。 --- ## 9.4 大模型尾部能力無法被替代 若真正高價值任務幾乎都依賴大型模型的稀有泛化能力，則小模型只能承擔低價值前處理工作。 --- ## 9.5 系統組合成本高於單一大模型 若模型路由、多 Agent、工具、記憶與驗證器帶來的工程複雜度高於直接使用大型模型，系統智能路線可能失去優勢。 --- # 十、觀察指標 未來可持續追蹤： ## 10.1 模型層 - 總參數； - 啟用參數； - 能力向量； - 蒸餾後能力保留率； - 量化損失； - 分布外能力。 ## 10.2 任務層 - 任務成功率； - 平均 Token； - 平均重試； - 完成時間； - 人工介入； - 錯誤發現率。 ## 10.3 系統層 - 路由準確率； - Cache； - 工具調用； - 多 Agent 協調成本； - 記憶壓縮； - 驗證器收益。 ## 10.4 基礎設施層 - 每 Token 能耗； - 每任務能耗； - 每瓦吞吐； - HBM 使用； - 晶片利用率； - 冷卻效率； - 資料中心 PUE。 ## 10.5 市場層 - 小模型與大模型 API 價差； - 本地部署比例； - 邊緣模型使用率； - 智能壓縮公司融資與收入； - 專用晶片採用； - 企業模型路由比例。 --- # 十一、與 Fable 級模型常態化命題的關係 前作提出： $$ \text{前沿模型能力} \rightarrow \text{多供應商能力帶} $$ 本文進一步提出： $$ \text{多供應商能力帶} \rightarrow \text{能力壓縮與效率競爭} $$ 當多家公司都能提供接近前沿的能力後，競爭將逐漸轉向： - 誰更便宜； - 誰更快； - 誰使用更少 Token； - 誰需要更少電力； - 誰能部署在更多設備； - 誰能以更少人工介入完成任務； - 誰能在相同能力下使用更小模型。 因此： $$ \boxed{ \text{Fable 級模型常態化} \rightarrow \text{智能能力密度競爭} } $$ 模型能力常態化不是效率競爭的終點，而是其起點。 --- # 十二、結論 本文提出的核心不是： > 參數不再重要。 而是： > 參數仍然重要，但總參數量將不再是判斷智能能力與產業價值的唯一核心指標。 未來 AI 的主要工程問題可能轉化為： $$ \min \left( E, P_{\mathrm{active}}, N_{\mathrm{tokens}}, L, M, C \right) $$ subject to： $$ Q_{\mathrm{effective}} \geq Q_{\mathrm{required}} $$ 其中： - $E$ ：能源； - $P_{\mathrm{active}}$ ：啟用參數； - $N_{\mathrm{tokens}}$ ：Token； - $L$ ：延遲； - $M$ ：記憶體； - $C$ ：成本。 因此，規模定律可能不會死亡，而會從「模型尺寸定律」演化為： $$ \boxed{ \text{總資源—能力—效率聯合規模律} } $$ 在這個框架下，大型模型繼續探索智能前沿；較小模型、壓縮模型、專用模型、Agent 系統與專用晶片則負責把前沿智能轉化為世界真正付得起、跑得動、供得起電的形式。 最終，下一階段 AI 競爭的核心可能由： $$ \text{最大智能} $$ 轉為： $$ \boxed{ \text{最高智能能力密度} } $$ --- # 十三、一句話命題 $$ \boxed{ \text{規模定律不會消失； 它將由擴大模型，進化為擴大每單位資源所能承載的智能。} } $$ --- # 附錄 A：命題集合 ### 命題一：智能能力密度崛起猜想 當物理與經濟資源成為主要瓶頸，產業將提高對單位資源有效能力的重視。 ### 命題二：多重規模律轉換猜想 模型能力將由模型、資料、訓練、推理、系統與基礎設施共同決定。 ### 命題三：最小充分模型猜想 在明確任務分布內，產業將尋找滿足能力門檻的最低成本模型。 ### 命題四：教師—部署模型分離猜想 前沿教師模型與大量部署模型將逐步分離。 ### 命題五：智能編譯產業崛起猜想 專門進行模型、工具、晶片、Token 與任務路由最佳化的公司將形成新產業層。 ### 命題六：大小模型循環猜想 大型模型探索能力，小型模型壓縮與部署，部署資料再反饋大型模型。 --- # 附錄 B：版本說明 ## v0.1 — 2026-07-18 - 首次提出「智能能力密度崛起猜想」； - 區分總參數、啟用參數、Token、能源、成本與人類介入密度； - 提出總資源—能力—效率聯合規模律； - 提出最小充分模型、教師—部署分離與智能編譯產業猜想； - 建立大小模型循環； - 加入可證偽條件與後續觀察指標； - 與 Fable 級模型常態化命題建立銜接。