專業化勝於規模：大多數AI採購決策忽視的戰略變量
一家公司在AI採購中發現，一個30億參數的專業化模型在質量、成本和生產穩定性上均優於所有商業前沿API，成本低了約52倍。這挑戰了“參數越多越好”的默認假設，表明訓練歷史與任務的分佈對齊（分佈對齊）比參數數量更關鍵。
文章情報
要點
- 30億參數的專業化模型在OCR基準測試中得分0.911，超過Claude Opus 4.6的0.833。
- 該模型運行成本約為前沿API的五十二分之一。
- 分佈對齊——訓練軌跡靠近部署任務——是比參數數量更好的性能預測指標。
- 專業化具有累積性：從更專業的基座模型開始，進一步微調帶來的收益更大。
為甚麼重要
這條新聞值得關注，因為30億參數的專業化模型在OCR基準測試中得分0.911，超過Claude Opus 4.6的0.833。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
長期以來，企業AI採購策略遵循一個隱含假設：最大的模型通常是最好的選擇。這一邏輯源於規模定律——參數越多，能力越強，前沿模型在主流基準測試中持續領先。然而，Dharma-AI公司最近發佈的一項研究對這一假設提出了實證挑戰。
研究團隊發佈了DharmaOCR——一對用於結構化OCR的專業化小型語言模型，並附帶一個基準測試。在基準中，一個僅30億參數的專業化模型在所有評估維度上擊敗了所有商業前沿API：質量、成本和生產穩定性。其複合得分0.911，而最接近的前沿模型Claude Opus 4.6得分為0.833；成本方面，該模型的運行成本僅為前沿API的五十二分之一；在文本退化率上，它僅為0.20%，遠低於其他模型。
這一結果並非孤例。論文指出，決定模型性能的關鍵變量並非參數數量，而是模型訓練歷史與部署任務之間的分佈對齊程度。一個30億參數、訓練軌跡已接近任務的專用模型，表現優於一個參數更多但訓練分佈更廣的通用模型。分佈對齊可以被視為一個等級結構：通用模型位於底層，領域通才模型居中，而任務專用模型位於頂層。從更高起點開始的微調能帶來更大收益。
研究還顯示，專業化具有累積效應。在70億參數規模，從通用模型微調得到的模型得分為0.906，退化率1.01%；而從已專業化於OCR的基座微調得到的模型得分升至0.927，退化率降至0.40%。在30億參數規模，差距更為顯著：通用基座得分為0.793，退化率1.41%；而專業基座得分為0.921，退化率0.20%。
這些發現對AI採購決策具有直接啓示：不應默認選擇最大模型，而應優先考慮與任務對齊的專業化模型。隨着專業化研究的發展，企業有望以更低成本獲得更高質量和穩定性。
Dharma公司的研究團隊還指出，分佈對齊的概念不僅適用於OCR任務，而是適用於任何企業AI工作負載。採購決策者應當評估模型的訓練歷史與目標任務的匹配度，而非僅僅關注參數規模。這一發現可能重新定義AI採購的最佳實踐，尤其是在成本敏感的生產環境中。