小模型
参数规模较小的AI模型，针对特定任务优化，在边缘设备部署、实时推理和隐私保护场景下具备效率优势
核心事实
时间轴 (近 90 天)
用极小的模型完成特定任务，而不是用通用大模型包打天下，是当前AI工程化的一条务实路径。
该方法让小模型超越比自身大140倍的先进模型。
骨架显著缩小了小模型与大模型之间的平均差距，幅度约为52.4%。
在分类、过滤、规则判断这类任务上，精调过的小模型可以做到性价比极高。
企业落地时算力资源往往有限，需要与业务能力匹配的小模型，蒸馏是常见解法。
原帖指出AI的实际采用速度并没有匹配此前的乐观预期，而小模型已经能够服务大部分请求。
高频、低复杂度的请求占绝大多数，只有少数任务需要顶级算力，这一结构变化意味着算力需求不再与模型参数量同步增长。
小模型通常指参数量在数十亿级别、经过蒸馏或量化压缩的模型，例如各类7B至30B级别的开源与闭源模型。
小模型容量有限，过长的推理链会显著增加推理延迟和显存占用，因此通常需要对教师输出做剪枝或结构化压缩
推理能力、代码准确率和工具调用可靠性是当前小模型竞争的三条主线。
还有 33 条时间轴事件
全部知识事实 (20)
增加推理次数会带来更高的计算成本，但换取了单次任务复杂度的降低，这是分组抽取策略的权衡
80%已验证判别式模型通常参数规模更小、推理速度更快、显存占用更低，适合部署在资源受限的本地环境
65%已验证参数更大的模型通常能把细节想周全，越小的模型越容易在复杂任务中遗漏细节
65%已验证低价模型若推理能力不足会导致更多重试轮次，累计失败重试的隐性成本可能反超高价高效方案（「便宜模型反而更贵」悖论）
65%已验证简单任务用小模型完成的成本可能只有大模型的十分之一甚至更低
65%已验证典型的分层路由逻辑将简单任务分给小型廉价模型，中等任务分给中端模型，复杂任务分给旗舰级模型
65%待验证用极小的模型完成特定任务，而不是用通用大模型包打天下，是当前AI工程化的一条务实路径。
50%待验证该方法让小模型超越比自身大140倍的先进模型。
50%待验证骨架显著缩小了小模型与大模型之间的平均差距，幅度约为52.4%。
50%待验证在分类、过滤、规则判断这类任务上，精调过的小模型可以做到性价比极高。
50%待验证企业落地时算力资源往往有限，需要与业务能力匹配的小模型，蒸馏是常见解法。
50%待验证高频、低复杂度的请求占绝大多数，只有少数任务需要顶级算力，这一结构变化意味着算力需求不再与模型参数量同步增长。
50%待验证小模型通常指参数量在数十亿级别、经过蒸馏或量化压缩的模型，例如各类7B至30B级别的开源与闭源模型。
50%待验证原帖指出AI的实际采用速度并没有匹配此前的乐观预期，而小模型已经能够服务大部分请求。
50%待验证小模型容量有限，过长的推理链会显著增加推理延迟和显存占用，因此通常需要对教师输出做剪枝或结构化压缩
50%待验证推理能力、代码准确率和工具调用可靠性是当前小模型竞争的三条主线。
50%待验证对于小模型而言，许可证往往比性能更影响传播。
50%待验证小模型在部署和推理上的成本优势明显，尤其在需要高并发或低延迟的场景下。
50%待验证世界知识的广度与密度在很大程度上由预训练权重规模决定，难以靠微调补足，小模型因此常呈现“会做事但知道得少”的特征。
50%待验证一位用户指出小模型在知识广度上存在天然瓶颈，尽管代理机制进步带来从聊天机器人向实用代理的跨越，但最终让大模型脱颖而出的是丰富知识储备。
50%