本报告从原子体系的第一性原理出发，探讨了大原子模型（Large Atomistic Model, LAM）的理论基础。在详细阐述LAM所需的物理约束条件后，提出了一种基于线图序列（Line graph series）的图神经网络构架——DPA3。我们证明了该构架不仅满足所有物理约束条件，而且在绝大多数情况下，其泛化能力优于现有的图神经网络原子模型。DPA3的一个显著优势在于遵循“规模律”（scaling law），即其泛化精度与模型参数量、训练数据量以及计算开销之间呈幂指数关系。这使得DPA3成为大原子模型的理想候选构架之一。我们还展示了DPA3在大型数据集OpenLAM-V1上的卓越表现，其中在17个独立的下游任务中，其零帧（zero-shot）泛化误差达到了领先水平。最后，作为LAM的一项实际应用，我们将展示其在三组元富氢超导材料设计中的应用实例。