Scaling（扩展）是大模型领域描述“把模型、数据或算力做得更大，性能是否会随之提升”这一核心命题的术语，如今已从单纯的参数规模扩张，演变为涵盖训练投入、推理努力、模态比例等维度的系统性方法论。当前围绕它的讨论，正从“能不能继续变大”转向“变大之后谁玩得起、还能通向哪里”。
Scaling 近期的争论与转向
最受关注的争议来自路线之争。Yann LeCun 在 ETH Zürich 演讲中明确表示，单纯 Scaling LLM 无法通向 AGI，认为自回归语言模型的扩展存在能力天花板 Yann LeCun 在 ETH Zürich 演讲：Scaling LLM 无法通向 AGI。与之呼应的是 Mustafa Suleyman 的预测：10 亿美元级训练时代将至，全球仅 5 到 6 家实验室承担得起这种投入 Mustafa Suleyman 预言：10 亿美元级训练时代将至。两件事指向同一现实——扩展的成本曲线正在把前沿研究集中到极少数机构手中。
与此同时，扩展的对象正在泛化。arXiv 上出现针对 Looped Mixture of Experts 的扩展定律研究，试图给出循环架构下的规模规律 Looped Mixture of Experts扩展定律研究；Aspect Ratio Scaling 则把“扩展”落到图像生成的分辨率比例维度上 Aspect Ratio Scaling 模型发布。在智能体方向，有工作提出用 Effort scaling 优化子智能体编排 Effort scaling优化子智能体编排，CodeMidas 则从代码本身扩展智能体编程的强化学习训练环境 CodeMidas：从代码本身扩展智能体编程RL训练环境。
当前焦点与观察点
在国内，华为诺亚前研究员联手创业，尝试把扩展规律带入物理世界 华为诺亚前研究员联手创业，探索物理世界的 Scaling Law。行业活动也在跟进这一话题，Genspark 将于 10 月 7 日举办 Spark House，TikTok、Cerebras、Cognition 等参与 Genspark 10月7日举办 Spark House 活动。接下来的观察点在于：预训练层面的扩展收益是否已明显放缓，投入是否会向推理侧与训练后阶段转移，以及少数实验室掌握超大规模训练能力后，开源与闭源之间的差距会被拉大还是被新架构思路缩小。