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)
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。
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。
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。
小模型往往在工具调用格式上不稳定，出现参数缺失、字段名错误或混合自然语言输出，导致解析失败、任务中断。
小模型对函数调用的支持可能不完整或效果较差，且仍可能出现枚举值偏差。
小模型缺乏对数字token的稳定注意力，导致无法可靠地读取截止日期两次并忠实报告。
小模型落地的瓶颈往往不在模型能力，而在文档预处理与系统设计。
小模型（如4B参数）在数学推理和数值一致性上存在固有局限，直接让模型输出价格、数量等数值时容易产生波动甚至荒谬结果。
如果能用确定性检查捕获大部分坏输出，就可以使用更小的模型并依赖验证器。
小模型构建成本与前沿模型相近，因为构建成本主要在提示词设计、验证器、评估集、重试与回退逻辑上；小模型需要更厚的验证层，工程略有增加。
还有 21 条时间轴事件
全部知识事实 (20)
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%待验证小模型往往在工具调用格式上不稳定，出现参数缺失、字段名错误或混合自然语言输出，导致解析失败、任务中断。
50%待验证小模型对函数调用的支持可能不完整或效果较差，且仍可能出现枚举值偏差。
50%待验证小模型落地的瓶颈往往不在模型能力，而在文档预处理与系统设计。
50%待验证小模型缺乏对数字token的稳定注意力，导致无法可靠地读取截止日期两次并忠实报告。
50%待验证小模型（如4B参数）在数学推理和数值一致性上存在固有局限，直接让模型输出价格、数量等数值时容易产生波动甚至荒谬结果。
50%待验证小模型构建成本与前沿模型相近，因为构建成本主要在提示词设计、验证器、评估集、重试与回退逻辑上；小模型需要更厚的验证层，工程略有增加。
50%待验证小模型在有界任务上表现强劲，因为提示词可以承载大部分智能；在无界任务上会退化。
50%待验证如果能用确定性检查捕获大部分坏输出，就可以使用更小的模型并依赖验证器。
50%待验证小模型由于容量有限，在多模态搜索任务中会产生冗长但缺乏有效指导意义的推理文本，导致推理成本增加而效果未必提升。
50%待验证NeurIPS 2026 论文中关于模型压缩、知识蒸馏、量化推理的工作明显增多，很多都附带了可复现的代码和预训练权重。
50%待验证小模型已经足以完成90%的任务，而前沿实验室仍在为AGI竞赛推高边界。
50%待验证并非所有场景都需要最强模型，小模型或开源方案可能已经够用。
50%待验证7B 以下的小模型必须依赖少样本、短提示、单任务和明确的输出格式。
50%待验证小模型对数据质量的敏感度远高于大模型
50%待验证一个小模型就能学会归一化契约（normalization contract），即掌握如何把对话转写成规范陈述
50%