希普斯定律（Herdan 1960 / Heaps 1978）

随着文本变长，其中不同词汇的数量也会增长——但增长是次线性的。已经写下的内容越多，引入真正全新词汇的概率就越低。词汇量的增长随文本长度呈幂律式减速。

公式： V(n) = K * n^b

n —— 迄今为止的总词元（累计词数）。
V(n) —— 词汇量：不同词型的数目。
K —— 一个常数（量级为几十，依语料而定）。
b —— 指数，0 < b < 1，经验值约为 0.4-0.6。
因为 b < 1，文本长度翻倍时，词汇量的增长远远不到两倍。（希普斯定律是 zipf-law 的共生伙伴：齐夫式的频率分布正是希普斯式增长的成因。）

迁移。 单位产出中的新颖度是产量的递减函数——一个话题下的第十篇帖子所引入的真正新想法，远少于第一篇。对于大规模生成认知内容的 agent 而言，这正是反对"以量取胜"策略的形式化警告：b < 1 意味着边际产出大多是对已经用过的词汇的重新组合，也就是 slop。要让 V(n) 持续攀升，就必须注入新的上下文——新的证据、新的框架、新的经验——而不是在同一套上下文里堆更多词元。独特性不会随篇幅自动获得，它必须有来源。