3B激活模型Sterling击败Claude：金融研究智能体成本降11倍

Samaya AI 发布了 Sterling，一个面向金融研究场景的后训练模型。它的底座是 Nemotron 3.5 Lightning，激活参数量约 3B，在 FrontierFinance 基准上拿到 58.9% 的分数，单题成本 0.61 美元。作为对照，Claude Fable 5.1 在同一基准上的成绩是 55.9%，单题成本 6.89 美元。

这组数字放在一起，指向的不只是一次跑分超越，而是一个更值得讨论的问题：在垂直领域，小体量专业化模型是否已经能在效果和成本两个维度同时压过大一统的通用旗舰模型。

Sterling 是什么：一个为金融研究后训练的小模型

Sterling 的定位非常明确——金融研究智能体。它不是通用对话模型的微调版本，而是在 Nemotron 3.5 Lightning 基础上做后训练（post-training）得到的专用模型。激活参数量约 3B，意味着推理时的计算开销被压在一个相当低的水平。

这一点决定了它的成本结构。大模型的高单价很大程度上来自每次调用都要激活海量参数，而 Sterling 用更少的激活参数完成同一类任务，单次推理的算力消耗自然更低。0.61 美元对 6.89 美元的单题成本差距，约 11 倍，主要就来自这里。

需要强调的是，Sterling 面向的是金融研究这一具体场景——检索、阅读、整合财务信息并给出研究性回答。这类任务的输入往往很长、需要多步推理，对模型的领域知识和信息组织能力要求高，但对开放式闲聊、多语言创意写作等通用能力的需求很低。专用模型的优势正是在这种「窄而深」的任务上体现出来。

激活参数量是理解 Sterling 成本优势的关键概念。在混合专家（MoE）架构中，模型总参数量可以很大，但每次前向推理只激活其中一部分专家网络，激活参数量指的就是这次推理实际参与计算的参数规模。它直接决定了单次推理的浮点运算量，进而决定算力开销和延迟。与之相对，稠密模型每次推理都会用到全部参数。因此同样是「3B 激活」，其总参数量可能远大于 3B，但推理成本只按激活部分计算。这也是近年小体量高效模型能在大模型夹缝中立足的架构基础。

FrontierFinance 跑分：58.9% 对 55.9% 意味着什么

FrontierFinance 是衡量模型在金融研究任务上表现的基准。Sterling 的 58.9% 与 Claude Fable 5.1 的 55.9% 相差 3 个百分点。单看绝对值，这不是碾压式的领先，但结合成本一起看，结论就完全不同了。

在基准测试中，几个点的差距往往对应着模型是否具备某类关键能力，而不是随机波动。Sterling 在分数略高的同时，把单题成本压到对手的约十分之一，这在需要大量调用模型的研究工作流里会直接改变可行性——同样预算下可以跑的查询数量提升一个数量级。

更你可能没注意到对比对象的选择。Claude Fable 5.1 属于通用旗舰级别，通常被视作综合能力的天花板之一。一个 3B 激活量级的专用模型能在这个垂直基准上反超，说明「通用大模型 + 领域后训练」的组合在某些任务上已经具备替代通用旗舰的现实条件。

基准测试（benchmark） 的分数需要放在统计与任务构成两个背景下理解。一方面，几个百分点的差距是否显著，取决于测试集规模和题目难度分布，样本量不足时小幅领先可能落在置信区间内。另一方面，基准通常由多个子任务加权而成，总分接近不代表各子任务表现一致——一方可能在检索类题目领先，另一方在数值推理上更强。因此 58.9% 对 55.9% 更适合解读为「同一水平区间内的微弱领先」，其真正意义要与成本维度联合评估，而非孤立地看作能力层级的跨越。

后训练路线为何在垂直场景更划算

Sterling 选择在 Nemotron 3.5 Lightning 上做后训练，而不是从头训练，也不是直接调用闭源大模型 API。这条路线有几个现实优势。

第一是数据效率。金融研究领域有大量专业语料、研究报告、财报文本，后训练可以让模型把这些分布吃透，而不必在通用能力上重复投入。第二是成本可控。底座模型本身参数规模不大，后训练和推理的算力需求都在可接受范围内，这让单次调用价格能压到很低。第三是可控性。自有的后训练模型在数据合规、输出风格、领域术语处理上更容易按需调整，这对金融这类强监管行业很重要。

代价同样存在。专用模型在非金融任务上的表现大概率不如通用旗舰，泛化能力有限。如果团队的需求横跨多个领域，单一专用模型未必够用，可能需要组合多个模型或保留一个通用模型兜底。

后训练（post-training） 指在预训练完成的基础模型之上，通过监督微调、偏好对齐、领域数据继续训练等手段，把通用能力塑造成特定任务能力的过程。它与「从头预训练」的区别在于：预训练阶段已经消耗了绝大部分算力和通用语料，后训练只需相对少量的领域数据即可显著改变模型行为。对于金融研究这类数据专业性强、任务边界清晰的场景，后训练的投入产出比很高——不需要重建模型，只需让它「读懂」财报、研报和监管文本的分布。这也是 Sterling 能在小底座上快速达到专用水平的根本原因。

对金融 AI 应用的实际影响

11 倍的成本差会直接改变金融研究智能体的设计思路。过去用通用旗舰模型搭建研究助手，成本往往成为规模化使用的瓶颈——一次深度研究可能要发起几十次甚至上百次模型调用，单价高企会让产品定价和使用频率都受限。

Sterling 这类模型把单题成本拉到 0.61 美元的量级后，智能体可以更频繁地做多轮检索、交叉验证和信息整合，而不必在每一步都精打细算。这对需要长链条推理的金融研究任务尤其关键，因为研究质量往往取决于模型愿意「多查几遍」。

另一个影响是部署选择。专用小模型可以自托管，数据不出内网，这对处理未公开财务信息、投资策略的机构是硬性需求。通用 API 方案在这类场景里往往过不了合规关。

需要冷静看待的地方

Sterling 的发布信息目前集中在跑分和成本两个维度，可验证的细节有限。FrontierFinance 作为基准，其覆盖范围和任务难度分布没有在素材中展开，58.9% 这个分数具体对应哪些能力、在哪些子任务上失分，外界还难以判断。

成本数字也需要结合使用方式理解。0.61 美元是单题成本，实际产品中的总成本还取决于调用次数、上下文长度和工程开销。另外，专用模型的效果高度依赖后训练数据的质量和覆盖度，在基准之外的现实金融问题上表现如何，需要更多独立评测来验证。

通用旗舰模型也不会停在原地。Claude Fable 5.1 之后还会有新版本，通用模型在垂直领域的表现同样在提升。Sterling 当前的领先能否保持，取决于 Samaya AI 后续的数据迭代速度。

小结

Sterling 的价值不在于 58.9% 这个分数本身，而在于它展示了一条清晰路径：用中等规模底座加领域后训练，在特定任务上做到效果不输通用旗舰、成本低一个数量级。对金融研究这类任务边界清晰、数据专业性强的场景，这条路径的性价比已经很难忽视。接下来值得关注的是独立复现结果，以及这类专用模型在更多垂直领域的复制情况。