一句话定义
模型容量（Model Capacity）是指一个模型在训练中能表达、记住和区分多少种模式与知识的上限。你可以把它想成“脑子的书架有多大”。
原理：书架不是越大越好
想象你要把一整套百科全书装进书架。书架太小，很多书放不进去，模型学不会复杂规律，这叫欠拟合（underfitting）。书架够大，能放下更多书，模型能记住更多细节和知识。
但书架不是越大越好。如果你只有几本书，却买了一个顶天立地的大书架，结果可能是：空着浪费，还容易把不看的旧杂志、广告传单也塞进去。对应到模型，就是它把训练数据里的噪声和巧合也当成规律记住了，这叫过拟合（overfitting）。换到新数据上，反而表现更差。
模型容量通常和参数量（number of parameters）、层数、宽度、注意力头数等有关，但不等同于参数量。同样的参数量，架构不同、训练数据不同、正则化不同，有效容量也不同。
和相邻概念的区别
| 概念 | 它回答的问题 | 和容量的关系 |
|---|---|---|
| 参数量 | 模型有多少可调数字 | 常见代理指标，但不等于容量 |
| 计算量 | 跑一次要算多少 | 容量大通常更费算力，但可以分开设计 |
| 泛化 | 在新数据上表现如何 | 容量太小欠拟合，太大可能过拟合，不是单调关系 |
| 模型大小/显存 | 部署要占多少资源 | 容量大往往更大，但容量是能力上限，不是资源本身 |
对从业者与普通人的意义
对从业者：选模型不是“越大越好”。数据少、任务简单时，小容量模型可能更稳、更快、更便宜。数据多且多样时，大容量才有用武之地。正则化（regularization）、早停（early stopping）、数据增强（data augmentation）都是在限制有效容量，防止它乱记。容量要和数据量、任务复杂度匹配，这是模型选型的基本功。
对普通人：听到“这个模型参数很多、容量很大”，可以理解为“它脑子里的书架很大，能装很多知识”。但书架大不代表每本书都对、都新、都能找到。大模型可能更贵、更慢，也可能把不靠谱的内容也装进去，回答时自信地犯错。所以关键不是容量有多大，而是容量有没有被好数据、好训练和好评估用在刀刃上。具体模型规格和表现，以官方页面为准。