本文以大衛與歌利亞的聖經故事為隱喻，深入探討了小型語言模型（SLM）和大型語言模型（LLM）在人工智慧領域的相對優勢。正如大衛憑藉敏捷和精準戰勝了巨人歌利亞，SLM在特定、資源受限或隱私關鍵的任務中展現出獨特價值；而LLM則像歌利亞一樣，憑藉龐大的規模和廣泛的訓練資料，在跨領域推理和複雜問題解決中佔據優勢。
文章首先對比了兩種模型的特性：LLM通常擁有數百億引數，訓練資料龐大且多樣化，能夠處理多領域任務，但也容易引入噪聲和偏差；SLM引數通常在30億以下，依賴於精心策劃的高質量資料集，在特定任務上實現了快速、高效且精準的效能。這種“資料質量勝過數量”的策略，正如大衛手中的投石索——精準且致命。
知識蒸餾是SLM發展的重要途徑。在這一過程中，LLM作為教師模型，為SLM學生模型提供高質量的輸出和訓練訊號。文章以醫療診斷為例，詳細描述了從教師模型選擇、領域資料策劃、推理生成到學生模型訓練、評估和部署的六步框架。透過蒸餾，SLM能夠繼承LLM的推理能力，同時保持輕量和高效。
此外，文章還指出，並非所有SLM都源於蒸餾；有些SLM直接從精選的原始資料訓練而成，但在實踐中，蒸餾因其高效性和優越效能而更為常見。表格形式總結了SLM和LLM在範圍、資料依賴、推理速度、資源使用、偏差控制和蒸餾潛力等方面的差異。
最後，文章強調，在醫療、金融、工程等應用中，選擇“大衛”還是“歌利亞”並非抽象的好壞問題，而是取決於具體任務。LLM在複雜的多學科分析中不可或缺，而SLM在精準、隱私和效率方面具有獨特優勢。例如，NYU-Langone開發的MedMobile基於Phi-3-mini模型，可在移動裝置上執行，並在醫學資格考試中取得合格成績，展示了SLM的潛力。正如聖經故事所示，勝利不屬於最龐大的競爭者，而屬於其工具、訓練和戰術最精確匹配挑戰的一方。