当前大型语言模型（LLMs）的成功依赖于一个关键观察：模型规模越大，性能越好。然而，这种神经缩放规律——即损失随模型规模按幂律下降——的根源仍不明确。我们提出，表征超叠加（representation superposition）可能是导致这一现象的关键因素，即大型语言模型所表示的特征数量超过了其维度数。基于Anthropic的简化模型，我们利用权重衰减来调控超叠加的程度，从而系统地研究损失如何随模型规模变化。当超叠加较弱时，只有当数据特征频率呈幂律分布时，损失才遵循幂律规律；而在强超叠加条件下，无论频率分布属于哪一类广泛分布，损失通常都与模型维度呈反比关系，这是由于表征向量之间的几何重叠所致。我们验证了开源的大型语言模型确实处于强超叠加状态，其损失与模型维度呈反比关系，且这一现象与Chinchilla缩放定律也一致。我们的研究结果表明，表征超叠加是神经缩放规律的核心驱动力，为理解神经缩放规律何时可被改进、何时会失效等问题提供了重要洞见。