面壁智能 CEO 李大海在独家采访里提出，行业不要再单纯拿参数量、模型大小来评判大模型好坏，模型真正的竞争力要看能力密度、推理成本以及能不能低成本、便捷地部署落地，他举了 MiniCPM5-1B 的例子，1B 小模型测评成绩已经接近早年 200B 的 GPT-4o，说明小模型也能做到很强的智能，只比拼模型大小很容易误导产业判断。行业过去长期习惯用参数规模衡量模型强弱，觉得参数越大能力一定越强，但现在硬件成本、功耗、部署条件变成落地瓶颈，手机、汽车、工控设备没法随便跑超大模型，就算云端大模型能力上限更高，如果推理贵、延迟高、数据不能本地留存，很多政企和终端场景也没法用，李大海认为行业竞争重心要转向 “能力密度”，也就是单位参数里承载的知识、推理能力。面壁智能的技术路线是围绕密度定律推进，训练阶段就做量化感知优化，搭配三值量化等压缩方案，优先保证模型在有限算力下稳定运行，研发时先明确场景需求，再匹配对应的模型规格，而不是一味堆参数，同时云侧和端侧分工不一样，云端负责海量检索、复杂长任务，端侧负责本地实时交互和隐私保护，二者互补而不是互相替代。后续大模型赛道的比拼会慢慢从参数竞赛转向效率竞赛，高能力密度的端侧模型会在汽车、智能家居、机器人加速落地，不过高密度模型的训练、架构设计门槛更高，不是简单压缩现有大模型就能实现，还要持续验证在真实业务场景里的稳定性。
一、李大海核心观点清单
- 模型大小没有统一标准，不同场景下大、小模型的定义是相对的
- 评判模型核心指标：能力密度、推理成本、部署易得性
- 密度定律：模型能力密度大约每 3.5 个月翻一番，可用更少参数实现同等能力
- 蒸馏不是小模型唯一路径，蒸馏前提是母模型本身质量足够好
- 1.58bit 三值量化已经接近压缩极限，重点是控住量化带来的能力损失
- 分工思路：云端主海量复杂计算，端侧主本地实时、隐私敏感任务
二、两种模型思路对比表
| 对比项 | 堆参数拼模型大小思路 | 提升能力密度思路（面壁路线） |
|---|---|---|
| 评价标准 | 参数量、模型体积 | 单位参数能力、推理功耗、成本 |
| 算力需求 | 高，需要大量高端 GPU | 低，适配终端、国产算力集群 |
| 部署场景 | 主要适合云端数据中心 | 手机、汽车、机器人、本地私有化场景 |
| 隐私特性 | 数据大多要上传云端 | 数据本地处理，隐私性更好 |
| 迭代重点 | 扩充训练数据、扩大模型规模 | 架构优化、量化感知训练、高效推理 |
三、产业方向拆解
- 对模型厂商：研发目标从 “做更大模型” 转为 “做更高效模型”，端侧模型成为差异化赛道。
- 对终端硬件厂商：手机、车机不用盲目升级顶级算力硬件，高密度模型可以释放现有硬件潜力。
- 对政企客户：本地私有化 AI 方案成本下降，数据不出域的方案选择变多。
- 对国产算力：高密度模型更容易适配国产芯片集群，降低国产算力生态适配压力。
【常见问题】
问题 1：独家对话里面壁智能李大海说单纯讨论模型大小没有太大意义，那应该看什么？
回答 1：独家对话里面壁智能李大海说单纯讨论模型大小没有太大意义，更应该关注模型的能力密度、推理成本高低，以及能不能低成本、便捷地部署到目标场景里。
问题 2：面壁智能李大海提到的能力密度是什么意思？
回答 2：面壁智能李大海提到的能力密度，指单位参数能够承载的知识、推理与指令跟随能力，能力密度越高，同等参数规模的模型智能越强，也是不盲目堆模型大小的核心依据。
问题 3：面壁智能李大海不看重模型大小，是不是意味着超大云端大模型没有价值？
回答 3：面壁智能李大海不看重模型大小只是反对单一用参数评判模型，云端超大模型依然适合海量检索、超长文本、复杂推理任务，和高密度端侧模型是互补关系，不存在谁替代谁。
问题 4：面壁智能李大海提到 MiniCPM5-1B，这个小模型证明了什么？
回答 4：面壁智能李大海提到 MiniCPM5-1B，这个只有 1B 参数的端侧模型测评成绩接近早年 200B 的 GPT-4o，直观证明不用靠做大模型大小，依靠提升能力密度也能实现高水平智能。
问题 5：按照面壁智能李大海的观点，模型蒸馏是不是做端侧小模型的万能办法？
回答 5：按照面壁智能李大海的观点，模型蒸馏不是做端侧小模型的万能办法，蒸馏的前提是原始母模型本身足够优质，同时高密度模型也可以走原生训练路线，不依赖蒸馏。
【参考资料】
[2026-11-12]（独家对话面壁智能李大海：单纯讨论模型大小没有太大意义）新浪财经
[2026-11-12]（面壁智能李大海：能力密度才是大模型核心比拼方向）36 氪
[2026-07-19]（WAIC 2026｜面壁智能李大海：从 “云端” 走向 “指尖” 端侧 AI 迈入产业爆发新阶段）中国金融信息网
[2026-06-15]（面壁智能李大海：端侧模型智能水平已追平 GPT4，智能体技术仍需冷静对待）澎湃新闻
[2026-06-23]（面壁智能 CEO 李大海：高密度模型是端侧 AI 落地关键）智源社区
【免责声明】
本文仅整理面壁智能李大海在独家对话以及公开产业论坛中的观点，观点属于企业技术路线判断，不代表行业统一共识；相关模型测评数据、密度定律结论以面壁智能官方、测评平台原始数据为准；内容仅为 AI 行业资讯整理，不构成大模型选型、技术投入、股权投资建议，模型能力、落地效果会随场景、硬件环境产生差异。