专业化胜于规模：大多数AI采购决策忽视的战略变量
一家公司在AI采购中发现，一个30亿参数的专业化模型在质量、成本和生产稳定性上均优于所有商业前沿API，成本低了约52倍。这挑战了“参数越多越好”的默认假设，表明训练历史与任务的分布对齐（分布对齐）比参数数量更关键。
文章情报
要点
- 30亿参数的专业化模型在OCR基准测试中得分0.911，超过Claude Opus 4.6的0.833。
- 该模型运行成本约为前沿API的五十二分之一。
- 分布对齐——训练轨迹靠近部署任务——是比参数数量更好的性能预测指标。
- 专业化具有累积性：从更专业的基座模型开始，进一步微调带来的收益更大。
为什么重要
这条新闻值得关注，因为30亿参数的专业化模型在OCR基准测试中得分0.911，超过Claude Opus 4.6的0.833。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
长期以来，企业AI采购策略遵循一个隐含假设：最大的模型通常是最好的选择。这一逻辑源于规模定律——参数越多，能力越强，前沿模型在主流基准测试中持续领先。然而，Dharma-AI公司最近发布的一项研究对这一假设提出了实证挑战。
研究团队发布了DharmaOCR——一对用于结构化OCR的专业化小型语言模型，并附带一个基准测试。在基准中，一个仅30亿参数的专业化模型在所有评估维度上击败了所有商业前沿API：质量、成本和生产稳定性。其复合得分0.911，而最接近的前沿模型Claude Opus 4.6得分为0.833；成本方面，该模型的运行成本仅为前沿API的五十二分之一；在文本退化率上，它仅为0.20%，远低于其他模型。
这一结果并非孤例。论文指出，决定模型性能的关键变量并非参数数量，而是模型训练历史与部署任务之间的分布对齐程度。一个30亿参数、训练轨迹已接近任务的专用模型，表现优于一个参数更多但训练分布更广的通用模型。分布对齐可以被视为一个等级结构：通用模型位于底层，领域通才模型居中，而任务专用模型位于顶层。从更高起点开始的微调能带来更大收益。
研究还显示，专业化具有累积效应。在70亿参数规模，从通用模型微调得到的模型得分为0.906，退化率1.01%；而从已专业化于OCR的基座微调得到的模型得分升至0.927，退化率降至0.40%。在30亿参数规模，差距更为显著：通用基座得分为0.793，退化率1.41%；而专业基座得分为0.921，退化率0.20%。
这些发现对AI采购决策具有直接启示：不应默认选择最大模型，而应优先考虑与任务对齐的专业化模型。随着专业化研究的发展，企业有望以更低成本获得更高质量和稳定性。
Dharma公司的研究团队还指出，分布对齐的概念不仅适用于OCR任务，而是适用于任何企业AI工作负载。采购决策者应当评估模型的训练历史与目标任务的匹配度，而非仅仅关注参数规模。这一发现可能重新定义AI采购的最佳实践，尤其是在成本敏感的生产环境中。