1.09亿参数打赢720亿：LeCun新论文给「唯规模论」出了一道证明题

过去几年，AI 行业最省事的判断标准就是参数量：越大越强，越大越贵，越大越值得投。10 月 29 日，66 岁的 Yann LeCun 和布朗大学助理教授 Randall Balestriero 抛出一篇 37 页的论文，把这个标准撬开了一道缝。

论文标题很长：《Proving and Improving the Platonic Representation Hypothesis with JEPAs》。结论可以用一句话概括：在特定条件下，不同模态的模型即便各自独立训练，也能学到可以相互对齐的世界表征；而做到这一点，未必需要千亿参数。

一分钟速览

• LeCun 与 Balestriero 发表 37 页论文，为「柏拉图表征假说」补上数学证明。
• 1.09 亿参数的文本 JEPA，在跨模态表征对齐指标上以 0.184 超过 Qwen2.5-72B 的 0.154。
• 参数相差约 660 倍；另一组实验里样本效率提升约 42 倍（按 token 计约 14 倍）。
• 论文比的是「表征对齐」，不是数学、代码或知识问答能力，边界必须说清楚。
• 研究可落到应用：线性变换接上视觉编码器后，COCO 图像描述 CIDEr 达 0.838。

它到底证明了什么

起点是 2024 年 ICML 上的一篇假说：随着模型变强，图像模型和语言模型内部的表征结构会越来越像。猫趴在沙发上，可以用像素描述，也可以用文字描述；形式完全不同，指向的现实对象却是同一个。如果模型真的学到了背后的共享结构，它们的内部表示就应该趋同。

原论文只是「观察到」这种趋同，没有证明它一定发生，也没说哪种训练方法能更高效地实现。LeCun 这篇往前走了一步：把不同模态视为对同一个潜在世界状态的观察，建立一个数学框架，推导在什么条件下模型能学到只差一个旋转变换的表征空间。

关键变量是正样本对怎么构造。作者区分了「Good Views」和「Bad Views」：同一场景的两张照片、两段描述同一场景的文字，指向同一个现实状态，是 Good Views；而同一段文本的前缀与后续、对同一输入做遮挡得到的片段，容易让模型把容量花在单模态的细节上，属于 Bad Views。用 Good Views 训练，跨模态表征更容易对齐。

660 倍与 42 倍，怎么读

实验里，1.09 亿参数的文本 JEPA 在跨模态对齐指标上拿到 0.184，高于 Qwen2.5-72B 的 0.154 和 Llama-3-70B 的 0.151。参数差约 660 倍。

另一组实验更实用：在相同语料与比较设置下，Good Views 方案用约 2160 万个样本，就达到了下一 token 预测用 9 亿个样本才能获得的表征对齐水平。按样本算约 42 倍，按实际读取的文本 token 算约 14 倍。也就是说，让模型学「什么样的信息关系」比让它「读更多字」更划算。

必须讲清楚的边界

「1.09 亿打败 720 亿」这句话传播力很强，但它有严格前提：比较的是跨模态表征对齐指标，不是综合能力。JEPA 不会因此就会写代码、做数学题、答知识问答。把它理解成「小模型全面超越大模型」，是误读。

LeCun 自己在 X 上的回应反而很克制：大语言模型之所以能回答那么多问题，是因为训练中积累了海量陈述性知识；这也是它们需要那么多参数、占那么多内存的原因。他没有说大模型没用，他说的是「只靠预测下一个 token，不足以构建理解物理世界的智能」。

66 岁再出发

LeCun 1960 年出生，卷积神经网络先驱，2018 年图灵奖得主，在 Meta 工作约 12 年，一手创立 FAIR。2025 年 11 月他公开宣布准备离开 Meta 创业，推进 AMI（Advanced Machine Intelligence）计划；2026 年 3 月，AMI Labs 完成约 10 亿美元融资，方向就是世界模型。

所以这篇论文不只是一次学术发声，也是一家新公司的技术宣言：在资本和算力都在向更大模型集中的时候，他押的是另一条路——通过观察环境学习抽象结构，而不是把互联网文本背下来。

趋势洞察

2026 年的模型竞赛已经出现分层：一层继续堆参数、堆算力、堆上下文，比的是谁能把更多知识塞进权重；另一层开始比「单位算力换来多少世界理解」，JEPA、世界模型、具身仿真都属于后者。LeCun 的论文不会立刻改变产品格局，但它给了小团队一个正当理由：不必等到有万卡集群才能做研究。

真正需要跟踪的是复现。表征对齐指标能否在更多模态上稳定复现、Good Views 的构造能否工程化、这套方法在视频与机器人数据上是否同样有效——这三点决定它是「一篇漂亮的理论文章」，还是「下一代训练范式的起点」。