【小哈划重点：小参数规模可以大幅节省推理成本，模型训练与调整所需的硬件成本远远低于大模型，成熟开发者甚至可以低成本训练垂直模型。OpenAI创始成员、特斯拉前AI高级总监Andrej Karpathy最近的预测颇有代表性，他提出，生成式模型的尺寸竞争将会逆转，比拼谁的模型更小、更智能。】
更高效、更灵活。
AI小模型大爆发，成为AI巨头的新角力赛场。
大模型价格战“卷生卷死”，投入了巨额资金的AI企业，亟需在商业故事上再进一步，最近纷纷祭出了自家低成本、易部署的小模型，新一轮较量拉开。
先是HuggingFace发布了SmolLM - 135M、360M和1.7B，仅使用650B个Token进行训练，性能却超过了Qwen 1.5B、Phi 1.5B。
隔日，Mistral AI和英伟达联合发布Mistral NeMo，被称为“Mistral AI最佳小型模型”，易于使用，可以直接替代任何使用Mistral 7B的系统。
就在同一天，OpenAI下场“血拼”，推出了GPT-4o的迷你版——GPT-4o Mini，称这款新模型是“功能最强、性价比最高的小参数模型”，并将其作为展示模型，替换了GPT-3.5的网页版“台前”位置。
苹果也不甘示弱，与OpenAI同日发布了DCLM小模型，并且发布即开源。苹果ML小组研究科学家Vaishaal Shankar说“这是迄今为止性能最好的真正开源的模型”。
这些模型参数小、占内存少，在特定场景中，经过精调后使用效果可以媲美大模型，成为性价比之选。
“小模型一定是更容易实现价值的。”一位人工智能首席架构师在接受21世纪经济报道记者采访时表示：“一批专业小模型配合agents实现业务流的整合，功能和经济性上都会更加可行。”
在AI生成式模型战场上，迭代速度极快，可能今天的“最好”，马上就会被明天的新版本打败，“历史记录”不断被颠覆重写。“模型更新太快，都不好评判，前脚有厂商说自家是‘最大最好的’，后脚就有另外一家说自己是‘最小最好的’。”人工智能行业资深观察人士告诉21世纪经济报道记者，人工智能模型眼花缭乱，AI企业要想跑通商业故事，必须十倍、百倍努力。
小模型赛道开“卷”
AI巨头们密集发布小模型，既比性能，还拼价格。
根据Open AI官网，在MMLU、MGSM、HumanEval、MMMU等基准测试中，GPT-4o mini均展现出了比GPT-3.5 Turbo和Gemini Flash、Claude Haiku等小模型更加出色的文本和视觉推理、数学推理、编码和多模态推理能力，尤其是数学推理和编码能力远胜过GPT-3.5 Turbo和其他小模型，稍弱于GPT-4o。在最新的LMSYS盲测竞技场排名中，GPT-4o mini还取得了与GPT-4o并列第一的好成绩，连OpenAI的CEO Sam Altman也难掩激动的心情，在社交媒体平台上发文称，“我们从未对任何一项评估感到如此兴奋。”
除了优异的性能，OpenAI还拿出了低价杀手锏。7月18日上线时，OpenAI宣布GPT-4o mini的定价为每百万输入token15美分和每百万输出token60美分，比GPT-3.5 Turbo便宜60%以上。7月24日，OpenAI再次宣布，从即日起至9月23日，免费为4级、5级用户提供GPT-4o mini微调服务，每天限制200万token，超过的部分按照每100万token3美元收费。OpenAI称：“我们期待GPT-4o mini将扩大人工智能的应用范围，使人工智能更加实惠。”
平安证券研报认为，GPT-4omini是价格显著下降的新一代入门级别人工智能“小模型”，兼具性能与性价比。当前全球范围内的大模型逐渐呈现由单方面的性能角逐，转向性能与实用性并重的发展趋势。大模型能力达到一定水平时必然会走向应用，大模型厂商通过提升其产品性价比，助推下游应用端的推广部署，有望加速大模型产业链商业闭环的形成。
在GPT-4o mini之后发布的苹果DCLM模型同样引人瞩目，DCLM全面开源了代码、权重、训练流程及数据集。DCLM分为14亿和70亿参数两种规模，其70亿参数版本超越了Mistral-7B ，性能接近Llama 3、Gemma。在MMLU（5-shot）基准测试中，DCLM-7B的准确率为63.7%。根据研究人员的说法，这一性能比此前最先进的开放数据语言模型MAP-Neo提高了6.6％，并减少了40%的计算量。更重要的是，这一结果超越了准确率为62.7%的Mistral-7B-v0.3，并接近于准确率为64.3%的Gemma 8B、66.2%的Llama3 8B和69.9%的Phi-3 7B。
比起“越大越好”，苹果更倾向于走小模型路线。今年4月，苹果公布的小模型家族四款预训练的大模型OpenELM，体量极小，彼时已在朝着“让人工智能在苹果设备上本地运行”目标迈进。
6月，苹果曾透露自己的AI发展路线图，计划把小模型顺利嵌进移动装备，不仅能达到“更快速、更安全”的目的，还一举解决了移动端设备与模型融合的终极难题。
Mistral NeMo是Mistral AI与NVIDIA合作构建的，该模型经过先进的微调和对准阶段，在遵循精确指令、推理、处理多轮对话和生成代码方面表现优异。据了解，Mistral NeMo主要面向企业环境，目的是让企业在不需要大量云资源的情况下实施人工智能解决方案。
在接受Venturebeat采访时，英伟达应用深度学习研究副总裁 Bryan Catanzaro 详细阐述了小型模型的优势。他说：“小型模型更容易获取和运行，可以有不同的商业模式，因为人们可以在家中自己的系统上运行它们。”
大模型进入下半场，从技术卷到应用，市场对于更易本地部署的高效率、低成本模型越来越感兴趣，这背后折射了对安全性、隐私性以及高效率、高性价比的渴望。
行业分析师认为，AI部署有了一个明显的新趋势，即可以在本地硬件上高效运行的模型，正在打消许多企业大规模采用AI方案的担忧，比如数据隐私、延迟以及高成本等问题。“这可能会使竞争更加公平，资源有限的小企业也将获得AI模型的加持，从而弥合与大企业之间先天的差距。”
入局小模型赛道背后
AI巨头们为何纷纷开辟小模型赛道？部分或出于成本因素的考量。
大模型的开发和运行成本高昂，即使像OpenAI这样的巨头也难以负担得起。
近日，有知情人士分析称“OpenAI今年可能会亏损50亿美元，面临着在12个月内资金耗尽的风险”。截至今年3月，OpenAl花费近40亿美元租用微软的服务器，以运行ChatGPT及其底层大语言模型（LLM）。除了运行ChatGPT之外，OpenAl包括数据费用在内的培训成本今年可能会飙升至30亿美元。据知情人士透露，去年，OpenAl加快了对新AI的训练，速度超过了最初的计划，OpenAl原本计划在这类成本上花费约8亿美元，但最终的支出要多得多。
相较之下，小模型成本低、响应速度快，而且可以本地化运行，更能适应个性化、精准化的使用需求。业内人士表示：“在全球AI硬件供不应求的前提下，小模型意味着更低的部署和训练成本，其产出效果足以应对一些特定任务。”
有国内AI企业相关业务负责人告诉21世纪经济报道记者，小参数规模可以大幅节省推理成本，模型训练与调整所需的硬件成本远远低于大模型，成熟开发者甚至可以低成本训练垂直模型，这些操作的成本都远低于大模型。
OpenAI创始成员、特斯拉前AI高级总监Andrej Karpathy最近的预测颇有代表性，他提出，生成式模型的尺寸竞争将会逆转，比拼谁的模型更小、更智能。
在Andrej Karpathy的解释中，当前大模型如此之大，是因为训练期间仍然非常浪费，虽然大模型在记忆方面非常出色，但这也意味着大模型记住了大量无关紧要的细节，而那些内容本不应该在特定问题中反复被调用。
对于小模型来说，训练目标变得更简单、直接、高效，让AI更直接地学到更有用的信息。
不过，大模型与小模型并非“二选一”，他们的发展路线仍然有着相互借鉴的意义。
Andrej Karpathy称：“模型必须先变大，然后才能变小。因为我们需要大模型将数据重构、塑造成理想的形式，一个模型帮助生成下一个模型的训练数据，逐渐得到完美的训练集，再喂给小模型，而后者不需要完全记住所有的知识，只是偶尔需要查找一些东西以确保准确。”
李彦宏也曾在百度AI开发者大会Create 2024上表示，未来大型的AI原生应用基本都是Moe架构，即大小模型的混用。李彦宏还称，通过大模型压缩蒸馏出一个基础模型，然后再用数据去训练，比从头开始训练小模型的效果要好很多，比基于开源模型训练出来的模型效果更好，速度更快，成本更低。
21世纪经济报道记者孔海丽、实习生刘清怡 北京报道
2024年07月29日 20:11
