概述
小语言模型 (SLM) 是紧凑的 AI 模型，通常有几亿到几十亿个参数，旨在在手机、笔记本电脑和边缘设备上高效运行。他们用一些原始功能来换取速度、隐私和在没有数据中心的情况下运行的能力。
小语言模型是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
虽然前沿模型可能拥有数千亿或数万亿个参数并需要 GPU 机架，但小型语言模型证明，仔细的训练可以将强大的性能打包到更小的包中。 Microsoft 的 Phi 系列、Google 的 Gemma 和 Meta 的较小 Llama 变体等模型表明，数据质量（而不仅仅是大小）驱动着能力。一个令人惊讶的发现是，使用更干净、更精心策划的数据进行训练可以让小型模型在许多任务上与大型模型相媲美。 SLM 解锁设备上的人工智能：它们在笔记本电脑或智能手机上本地运行，因此您的数据永远不会离开设备，延迟很低，并且没有每次查询的云成本。针对专门领域进行微调的成本也更低。代价是，与巨型模型相比，它们往往缺乏广泛的世界知识，并且在最困难的推理任务上的表现也较差。
技术洞察
通过多种技术可以使小型模型变得高效。知识蒸馏训练一个小型学生模型来模仿大型教师，将能力转化为更少的参数。量化降低了权重的数值精度，例如从 16 位降低到 4 位，从而缩小内存并加快推理速度，而质量损失很小。剪枝去除多余的权重。至关重要的是，高质量、经过良好过滤的训练数据（例如部分基于教科书内容训练的 Phi 模型）可以让更少的参数比仅原始规模所建议的参数走得更远。
掌握小语言模型
小语言模型 (SLM) 是紧凑的 AI 模型，通常有几亿到几十亿个参数，旨在在手机、笔记本电脑和边缘设备上高效运行。他们用一些原始功能来换取速度、隐私和在没有数据中心的情况下运行的能力。小语言模型是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将小语言模型视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用小语言模型的强大团队将提示、检索和审查循环设计为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在智能手机上完全离线运行人工智能助手，因此个人数据永远不会离开设备
支持直接内置于笔记本电脑操作系统中的智能回复和摘要功能
在医院私人记录上微调紧凑模型，无需将数据发送到云端
在物联网设备或汽车中嵌入轻量级模型，以实现快速的本地语音命令
实施模式
实践中的小语言模型
在智能手机上完全离线运行人工智能助手，因此个人数据永远不会离开设备。
在智能手机上完全离线运行人工智能助手，这样个人数据永远不会离开设备。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会得到更好的结果。
实践中的小语言模型
支持直接内置于笔记本电脑操作系统中的智能回复和摘要功能。
支持直接内置于笔记本电脑操作系统中的智能回复和摘要功能 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
实践中的小语言模型
在医院的私人记录上微调紧凑模型，而无需将数据发送到云端。
在不将数据发送到云端的情况下对医院私人记录上的紧凑模型进行微调当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的小语言模型
在物联网设备或汽车中嵌入轻量级模型，以实现快速的本地语音命令。
在物联网设备或汽车中嵌入轻量级模型，以实现快速的本地语音命令当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。