涌现能力（Emergent Abilities）

涌现能力（Emergent Abilities）指当大模型规模（参数、数据、算力）超过某个临界点后，突然出现的、小模型不具备的能力——例如在复杂推理、数学竞赛题、代码生成等任务上性能“跳变式”提升。这一概念由 Google 研究团队在 2022 年的一篇论文中系统描述，成为理解大模型“为什么越大越神奇”的重要视角。

典型表现

• 小模型答不对的任务，规模到某个阈值后准确率突然飙升
• 能力出现有“拐点”：过了拐点，性能跳升；没到拐点，几乎为零

常见例子

• 思维链（Chain-of-Thought）：规模够大后，模型才“会”一步步推理
• 多步数学、复杂代码：小模型基本不会，大模型明显会
• 指令遵循、少样本学习：大模型表现出的“即学即用”

存在争议

• 有研究者认为“涌现”可能只是评测方式的错觉：用更连续、更细粒度的指标衡量时，能力的提升其实是平滑的，而非真正的“突变”

与规模法则的关系

• 规模法则：描述平滑、可预测的提升
• 涌现能力：描述阈值式的跳跃；两者共同描绘了“模型越大越强”的两副面孔

趋势 2026 年，关于“涌现”的讨论逐渐从“是否存在”转向“哪些能力真涌现、哪些只是评测假象”，人们更关心如何稳定地发挥大模型的深层能力。