China has limited domestic production capacity, and therefore, due to the scaling laws, cannot build more powerful models than the US without US chips.
芯片封锁的底层逻辑：Scaling Laws 就是护城河。在算力与能力高度正相关的时代，切断芯片供应链等于锁定对手的能力上限。这是达里奥三项政策中技术支撑最强的一条——只要 Scaling Laws 成立，没有芯片就没有边界突破，且这个瓶颈在短期内无法通过软件手段绕过。
Despite having only 35B parameters, it even surpasses Qwen 3.5-397B on Terminal-Bench 2.1 (64.4 vs. 53.5)
①数字：35B参数规模以64.4击败397B的53.5。③非共识：打破“规模即一切”的暴力美学共识。证明了在特定垂直领域（如Agentic Coding），通过高质量的自我改进式强化学习训练，小模型不仅能跑赢大模型，还能大幅降低推理部署成本。
At 770M parameters, a looped model achieves the downstream quality of a 1.3B fixed-depth Transformer trained on the same data — roughly half the parameters for the same quality.
这一发现具有颠覆性，表明循环模型在参数效率上可能远超传统Transformer。如果这一结论成立，那么大模型的发展方向可能需要重新思考——与其不断增加参数量，不如优化循环架构的设计。这挑战了当前'更大即更好'的主流观点。
we can reach the same capabilities with over an order of magnitude less compute than our previous model, Llama 4 Maverick.
这是一个惊人的效率提升，比前代模型减少一个数量级的计算量仍能达到相同能力，这暗示了Meta在AI架构优化方面取得了突破性进展，可能重新定义大模型训练的经济性。
This observation challenges widely accepted test-time scaling laws, leading us to hypothesize that errors within the reasoning path scale concurrently with test time.
大多数AI研究者认为推理时间越长，模型探索越充分，结果应该越好。作者却挑战这一共识，认为推理过程中的错误会随着时间同步增长，导致长时间推理反而会降低质量，这是一个颠覆性的观点。