RecodeX 重构消息，智谱联合创始人唐杰发文复盘Scaling Law，指出参数规模已不能单独解释模型能力，数据量、算力分配和后训练同样关键。他回顾2020年Kaplan等人的研究推动行业冲向万亿参数，但2022年Chinchilla实验发现参数与数据应同步增长，万亿参数竞赛实为弯路。唐杰还提到，考虑推理成本后，更优方案是较小模型配合更多数据训练，MoE架构下总参数与激活参数需区分，不同任务适用不同Scaling方法。他以GLM-5.3为例，称其与GLM-5.2同基座同架构，仅通过一个月后训练（扩大长程任务环境和强化学习）即实现能力提升，未增加参数。唐杰判断Scaling未结束，但每代模型瓶颈不同，下一轮竞争关键在于算力分配。