​​模型规模是指机器学习模型中可学习参数的数量和复杂度，它是衡量模型能力的关键指标。​​ 更大的模型规模通常意味着更强的学习能力和更高的计算需求，但同时也需要更多数据和算力支持。​​参数数量、数据量、计算资源​​共同决定了模型性能的上限。

模型规模的核心是参数数量，通常以百万（M）或十亿（B）为单位。例如，ResNet-152有6000万参数，而GPT-3达到1750亿参数。参数越多，模型能捕捉的特征越复杂，但存储和训练成本也指数级增长。例如，1M参数以32位存储需4MB空间，而量化技术可将其压缩至1MB。

模型性能与规模呈现​​幂律关系​​，即增加参数、数据量和算力会显著提升效果。OpenAI的研究表明，模型性能随这三者同步增长，大型模型在少量数据上也能达到小模型的水平。例如，机器人领域通过扩大数据规模实现了90%的零样本泛化成功率。

大模型与小模型的差异显著。前者参数量达亿级以上，适合复杂任务如自然语言处理；后者仅百万参数，适合移动设备等资源受限场景。大模型训练需高性能GPU集群，成本高昂；小模型则可在普通硬件上快速部署。

模型规模是AI发展的双刃剑：它推动技术进步，但也带来算力和伦理挑战。合理选择规模需平衡任务需求、资源限制和成本效益。