当专用模型超越通用模型时
“越大越好”——这个原则在人工智能领域根深蒂固。每个月都有更大的模型诞生，参数越来越多。各家公司甚至为此建设价值100亿美元的AI数据中心。但这是唯一的方向吗？
在NeurIPS 2024大会上，OpenAI联合创始人伊利亚·苏茨克弗提出了一个观点：“我们所熟知的预训练将无可争议地终结。”这表明大规模化的时代即将结束，现在是时候专注于改进当前的方法和算法了。
其中一个最有前景的领域是使用参数量不超过10B的小型语言模型（SLMs）。这种方法在行业内正逐步崭露头角。例如，Hugging Face的CEO克莱姆·德朗格预测，高达99%的应用场景可以使用SLMs来解决。类似的趋势也体现在YC对创业公司的最新需求中：
大规模的通用模型确实令人印象深刻，但它们也非常昂贵，常常伴随着延迟和隐私挑战。
在我上一篇文章《您真的需要托管的LLMs吗？》中，我探讨了是否需要自托管模型。现在，我进一步提出问题：您是否真的需要LLMs？
本文摘要
在本文中，我将探讨为何小型模型可能是您的业务所需的解决方案。我们将讨论它们如何降低成本、提高准确性并保持数据控制。当然，我们也会诚实地讨论它们的局限性。
成本效益
LLMs的经济学可能是企业最头疼的话题之一。但问题更广泛，包括昂贵的硬件需求、基础设施成本、能源消耗及环境后果。
是的，大型语言模型在能力上令人惊艳，但维护成本同样高昂。您可能已经注意到基于LLMs的应用程序订阅价格的上涨？例如，OpenAI最近宣布推出200美元/月的Pro计划，这表明成本正在增加。竞争对手也很可能会提高到类似价格水平。
200美元的Pro计划
Moxie机器人是一个很好的例子。Embodied公司开发了一款售价800美元的儿童伴侣机器人，使用了OpenAI API。尽管产品成功（孩子们每天发送500–1000条消息），但由于API的高运营成本，公司不得不关闭。现在，成千上万的机器人将变得无用，孩子们也会失去他们的朋友。
一种解决方案是为您的特定领域微调专用的小型语言模型。虽然不能解决“世界上所有问题”，但它可以完美应对特定任务。例如，分析客户文档或生成特定报告。同时，SLMs更经济，资源消耗更少，所需数据更少，可以运行在更普通的硬件上（甚至是智能手机上）。
不同参数模型的利用率对比
最后，不要忘了环境因素。在《碳排放与大规模神经网络训练》一文中，我发现了一些令人震惊的统计数据：训练拥有1750亿参数的GPT-3所耗电量相当于美国普通家庭120年的用电量，同时产生502吨二氧化碳，相当于超过100辆汽油车一年的排放。而这还不包括推理成本。相比之下，部署一个更小的7B模型仅需大模型消耗的5%。那么最新的o3模型呢？
模型 o3 的二氧化碳排放量。
💡提示：不要盲目追赶潮流。在解决任务之前，计算API或自建服务器的使用成本。思考这种系统的扩展性以及使用LLMs是否合理。
专用任务上的性能
现在我们已经讨论了经济学问题，接下来说说质量。当然，很少有人愿意仅仅为了节约成本而牺牲解决方案的准确性。但即使在这方面，SLMs也有其优势。
领域内内容审核的表现
比较SLMs与LLMs在领域内内容审核的准确率、召回率和精确率。最佳表现的SLMs在准确率和召回率上超过了LLMs，而LLMs在精确率上表现更佳。
许多研究表明，对于高度专业化的任务，小型模型不仅能与大型LLMs竞争，甚至经常超越它们。以下是几个具有代表性的例子：
- 医学领域
Diabetica-7B模型（基于Qwen2-7B）在糖尿病相关测试中达到了87.2%的准确率，而GPT-4为79.17%，Claude-3.5为80.13%。尽管如此，Diabetica-7B的规模远小于GPT-4，可以在消费级GPU上本地运行。
- 法律领域
一个仅有0.2B参数的SLM在合同分析中达到了77.2%的准确率（GPT-4约为82.4%）。此外，在识别用户协议中的“不公平”条款等任务中，SLM在F1指标上甚至优于GPT-3.5和GPT-4。
- 数学任务
谷歌DeepMind的研究表明，将一个小型模型Gemma2-9B训练在另一个小型模型生成的数据上，比在更大模型Gemma2-27B的数据上训练效果更好。小型模型往往能更专注于细节，而不会像大模型那样“试图展现全部知识”。
- 内容审核
LLaMA 3.1 8B在15个热门subreddits的内容审核中，准确率提高了11.5%，召回率提高了25.7%，超过了GPT-3.5。这是通过4位量化实现的，这进一步减少了模型的规模。
用于PubMedQA的领域内SLM与LLMs的对比
更进一步地说，即使是传统的自然语言处理方法也往往表现出色。让我分享一个实际案例：我正在开发一款心理支持产品，每天处理用户发送的超过1000条消息。这些消息会被分类到以下四个类别之一：
消息分类方案
• SUPPORT：关于应用如何工作的提问；我们用文档中的内容回答。
• GRATITUDE：用户感谢机器人；我们简单地发送一个“点赞”。
• TRY_TO_HACK：用户请求与应用目的无关的内容（如“用Python写一个函数”）。
• OTHER：其他所有消息，将进一步处理。
起初，我使用GPT-3.5-turbo进行分类，后来切换到GPT-4o mini，花费了大量时间调整提示词，但仍然遇到错误。于是我尝试了传统方法：TF-IDF + 简单分类器。训练时间不到一分钟，宏观F1分数从GPT-4o mini的0.92提高到0.95。模型大小仅为76MB，并且在处理我们实际的200万条消息数据时，节省的成本非常显著：基于GPT的解决方案大约花费500美元，而传统方法几乎不需要成本。
GPT-4o mini与TF-IDF模型的准确率、速度和成本对比表
在我们的产品中，还有几项类似的“小型”简单任务。我相信您的公司也能找到类似的场景。当然，大型模型对于快速启动非常有用，特别是当没有标注数据且需求不断变化时。但对于定义明确、稳定的任务，且准确性和最低成本是关键的场景，专用的简单模型（包括传统方法）通常更为有效。
💡提示：使用LLMs进行原型设计，然后当任务明确且稳定时，切换到更小、更便宜、更准确的模型。这种混合方法有助于保持高质量，同时显著降低成本，避免通用模型的冗余。
安全性、隐私性与合规性
通过API使用LLMs，您实际上将敏感数据交给了外部提供商，这增加了泄露的风险，并使遵守HIPAA、GDPR和CCPA等严格法规变得更加复杂。OpenAI最近宣布计划引入广告，这进一步突显了这些风险。您的公司不仅失去了对数据的完全控制，还可能依赖于第三方的服务等级协议（SLAs）。
当然，也可以本地运行LLMs，但部署和扩展的成本（数百GB内存、多块GPU）通常超出了合理的经济范围，也难以快速适应新的监管要求。而在低端硬件上运行LLMs更是难以实现。
云端API风险与设备端SLM优势的对比。
这是小型语言模型（SLMs）发挥优势的地方：
- 简化审计
SLMs的较小规模降低了审计、验证和定制以满足特定法规的门槛。您可以更容易理解模型如何处理数据，实现自定义加密或日志记录，并向审计员证明信息从未离开受信任的环境。作为一家医疗公司创始人，我深知这项任务的挑战和重要性。
- 在隔离和低端硬件上运行
LLMs很难高效地“部署”在隔离的网络环境或智能手机上。而SLMs因计算需求较低，可以几乎在任何地方运行：从私人网络中的本地服务器，到医生或检查员的设备。根据IDC的预测，到2028年，超过9亿部智能手机将具备本地运行生成式AI模型的能力。
- 应对新法规的更新与适应
法规和法律经常变化——紧凑的模型可以在数小时内完成微调或调整，而不是数天。这使得企业能够快速响应新要求，无需进行大规模的基础设施升级，这通常是大型LLMs的特征。
- 分布式安全架构
与LLMs的一体化架构不同，其中所有安全组件都“内嵌”到一个大型模型中，SLMs允许创建分布式安全系统。每个组件：
o 专注于特定任务。
o 可独立更新和测试。
o 可与其他组件独立扩展。
例如，一个医疗应用程序可以使用由三个模型组成的级联架构：
• 隐私保护器（2B参数）：屏蔽个人数据。
• 医学验证器（3B参数）：确保医学准确性。
• 合规性检查器（1B参数）：监控HIPAA合规性。
小型模型更容易验证和更新，使整体架构更加灵活可靠。
数据隐私功能对比表
💡提示：如果您的行业受严格监管（如医疗、金融或法律领域），请考虑使用SLMs。特别关注数据传输政策以及法规变化的频率。
AI智能体：完美的应用场景
还记得老式Unix哲学“专注做好一件事”吗？现在看来，我们正在将这一原则应用到AI中。
伊利亚·苏茨克弗在NeurIPS上的最新声明指出，“我们所熟知的预训练将无可争议地终结”，下一代模型将“以真正的方式具备智能体性”。这一趋势表明AI正向更细化、更专业化的方向发展。Y Combinator更进一步预测，AI智能体可能创造出比SaaS大10倍的市场。
例如，目前已有12%的企业解决方案采用基于智能体的架构。此外，分析师预测智能体将成为AI转型的下一波浪潮，不仅会影响4000亿美元的软件市场，还将影响10万亿美元的美国服务业经济。
SLMs是这些智能体的理想候选者。虽然单一模型功能有限，但一群这样的模型——可以逐步解决复杂任务。更快、更高质量且成本更低。
信息流示例：专用智能体之间的任务分配
这种方法不仅更加经济，还更加可靠：每个智能体专注于自己最擅长的部分。更便宜、更快、更好。是的，我再强调一次。
以下是一些支持这一点的公司案例：
-
H公司：在种子轮融资中筹集了1亿美元，用于开发基于SLMs（2–3B参数）的多智能体系统。他们的智能体Runner H（3B）在任务完成成功率上达到67%，相比之下，Anthropic的Computer Use仅为52%，而成本显著更低。
-
Liquid AI：最近获得了2.5亿美元资金，专注于构建高效的企业模型。他们的1.3B参数模型在同类规模模型中表现最佳。同时，他们的LFM-3B模型在性能上与7B甚至13B模型相当，但所需内存更少。
-
Cohere：推出了Command R7B，一个用于RAG（检索增强生成）应用的专用模型，甚至可以在CPU上运行。该模型支持23种语言，并能与外部工具集成，在推理和问答任务中表现最佳。
-
贵公司名称：也可以加入这一名单。在我工作的Reforma Health公司中，我们正在为不同的医疗领域开发专用的SLMs。这一决策是基于遵守HIPAA要求及医疗信息处理的特殊需求而做出的。我们的经验表明，高度专业化的SLMs在受监管领域中可以成为显著的竞争优势。
这些案例表明：
• 投资者看好专用小型模型的未来。
• 企业客户愿意为无需向外部提供商发送数据的高效解决方案买单。
• 市场正从依赖“通用”大模型向“智能”专用智能体转变。
💡提示：首先识别项目中重复性高的任务。这些任务是开发专用SLM智能体的最佳候选者。这样可以避免为LLMs的过剩能力支付过高的费用，同时获得更高的流程控制能力。
SLMs与LLMs的局限性对比
尽管本文一直在赞扬小型模型，但公平起见，也必须指出它们的局限性：
- 任务灵活性有限
SLMs的最大局限在于其窄化的专业性。与LLMs不同，SLMs只能在其训练的特定任务中表现出色。例如，在医学领域，Diabetica-7B在糖尿病测试中表现优异，但其他医疗学科需要额外微调或新的架构。
LLMs与SLMs：灵活性与专业性的对比
- 上下文窗口限制
与上下文长度可达1M tokens（如Gemini 2.0）的大型模型相比，SLMs的上下文较短。尽管最新的小型LLaMA 3.2模型（3B、1B）支持128k tokens的上下文长度，但实际效果往往不如预期：模型常常无法高效连接文本开头和结尾。例如，SLMs无法高效处理长达数年的患者病史或大篇幅的法律文档。
不同模型最大上下文长度对比
- 涌现能力差距
许多“涌现能力”只有在模型达到一定规模阈值时才会出现。SLMs通常达不到参数水平以支持高级逻辑推理或深度上下文理解。谷歌研究的研究表明，在数学文字题中，小型模型难以处理基本算术，而大型模型则突然表现出复杂的数学推理能力。
不过，Hugging Face的最新研究表明，通过测试时的计算扩展可以部分弥补这一差距。使用迭代自我优化或奖励模型等策略，小型模型可以“更长时间地思考”复杂问题。例如，在扩展生成时间后，小型模型（1B和3B）在MATH-500基准上超过了其更大的对手（8B和70B）。
💡提示：如果您的任务环境经常变化，需要分析大规模文档，或涉及复杂逻辑问题，大型LLMs往往更可靠和通用。
总结与结论
就像我在上一篇文章《在OpenAI和自托管LLMs之间的选择》中讨论的那样，这里也没有放之四海而皆准的解决方案。如果您的任务涉及持续变化、缺乏明确的专业化或需要快速原型设计，LLMs提供了一个轻松的起点。
然而，随着您的目标逐渐明确，转向紧凑、专用的SLM智能体可以显著降低成本，提高准确性，并简化遵守监管要求的流程。
从LLM的快速原型设计到优化的SLM智能体生态系统的迁移
SLMs不是为了追求潮流而提出的颠覆性范式，而是一种务实的方法。它能够更准确、更具成本效益地解决特定问题，而无需为不必要的功能支付额外费用。您不需要完全抛弃LLMs——您可以逐步将部分组件替换为SLMs，甚至是传统的NLP方法。这一切取决于您的指标、预算和任务的性质。
一个很好的例子是IBM，他们采用了多模型策略，将不同任务分配给较小的模型。正如他们所指出的：
“更大并不总是更好，专用模型在基础设施需求更低的情况下表现优于通用模型。”
最终，成功的关键在于适应性。从一个大型模型开始，评估其最佳表现的领域，然后优化您的架构，以避免为不必要的功能支付过高的费用，同时保持数据隐私。这种方法允许您结合两者的优势：LLMs在初期阶段的灵活性和通用性，以及成熟产品阶段SLMs的精准性和高性价比。
关键提示总结
- 不要追赶潮流
在解决任务之前，计算使用API或自建服务器的成本，并分析是否需要LLMs。
- 混合方法
在原型阶段使用LLMs，等任务明确和稳定后切换到更小、更便宜的模型。
- 专注于小任务
识别重复性高的任务，并开发专用SLM智能体。
- 重视隐私和合规性
如果您处于高度受监管的领域（如医疗、金融或法律），请优先考虑SLMs以降低数据泄露风险并快速适应监管变化。
- 以需求为中心
大模型适用于任务多变、文档处理量大或逻辑复杂的场景。SLMs适用于稳定、专用的任务或对成本敏感的场景。
