8亿参数小模型干翻了56亿参数的GPT

企业给日常业务找AI工具时，往往总想着挑参数最大、名气最响的通用大模型。

最近电商平台Shopify的机器学习团队公布了一项测试结果：他们只给0.8B（也就是8亿）参数的小型语言模型，用特定任务的数据做了微调，结果在这个专门任务上，性能超过了GPT 5.6-sol xhigh（56亿参数的GPT模型）。

这件事不是个例。已有研究对287个实际应用案例做统计后发现，只要是定义清晰的特定领域任务，经过微调的小型模型，性能普遍比通用大模型更好。同时它还能降低推理成本、减少响应延迟，开发者还可以完整查看模型的思考过程。

@tobi 认为：只要有好的自改进递归飞轮（一种可以让模型持续自我优化的循环机制），为特定场景训练小模型的效果会非常好。

@ivan_bezdomny 提到：我们训练专用小模型不只是因为成本更低，它在专项任务上的表现本身就比Claude和GPT更好，速度还更快。

@omarsar0 指出：这是定制化前沿智能时代的早期信号，等整个行业都发掘出定制模型的潜力和指数级应用空间，会迎来非常大的变化。

Gartner预测，到2027年，企业对小型语言模型的使用量会达到通用大语言模型的三倍。对普通商家和开发者来说，这意味着不用再为大模型的通用能力支付额外成本，也不用把自己的业务数据上传给第三方大模型，就能拿到效果更好的AI服务。

拥有自己专属的AI能力，门槛正在变得越来越低。

接下来，通用大模型会只留在需要跨界综合能力的场景里吗？