全球三家最严肃的AI研究机构，过去一周集体撞车了！

4月3日，美国研究机构METR悄悄更新了一份技术报告，核心结论压成一句话。

AI能力每88.6天翻倍一次。

5天后，4月8日，Meta超级智能实验室发布全新模型Muse Spark，公开了一条内部叫做scaling ladder的训练效率曲线，结论也是一句话。

要追上一年前Llama 4 Maverick的性能，新模型只需要不到十分之一的训练算力。

一份测任务时长，一份测训练算力。两家机构没有任何往来，研究方法毫无重合。

但当两条曲线被换算到同一坐标系里，斜率几乎完全重合。

到这里，事情已经够离谱了。

更离谱的是，这条曲线，被一个中国团队两年前就完整地画出来过，还登上了Nature子刊。

它叫密度定律。

两年前，有人提前画过这条线

这个概念最早出现在一篇叫「Densing Law of LLMs」的论文里。

作者是面壁智能和清华大学的联合团队，孙茂松和刘知远两位教授领衔，第一作者是博士生肖朝军。

论文2024年12月挂上arXiv，2025年11月被Nature Machine Intelligence接收。

论文地址：http://t.cn/A6m91DKy

论文地址：http://t.cn/AX2yNfvF

论文的核心判断只有一句话。

模型智能密度随时间呈指数级增强，达到特定智能水平所需的参数量，每3.5个月下降一半。

放在2024年底，这话听上去有点过激。

那时全行业都在崇拜scaling law。OpenAI在堆模型，Anthropic在堆模型，Meta也在堆模型。

所有人都觉得参数越大智能越强，把GPU烧到极致才是正道。

但研究团队不这么看。

他们把当时所有有影响力的开源基础模型，从Llama-1一路到Gemma-2、MiniCPM-3，总共51个模型都放进了同一把尺子里去量。

五大基准跑完，结果是几乎完美的指数关系，R²达到0.934。

考虑到大模型评测很容易被数据污染干扰，他们又用一个新构建的污染过滤数据集MMLU-CF重测了一次。R²=0.953。

两次拟合都拿到了接近1的R²。统计学上，这几乎不可能是巧合。

换句话说就是，这两年发布的每一个主流开源模型，不管来自哪个团队、用什么架构，都落在了同一条「每3.5个月翻倍」的指数线上。