03 第零篇章 · 第一次系统认识 AI
参数越多就越聪明吗
你经常会看到 7B、70B、175B 这种说法。参数越大，通常代表模型容量更强，但它不是判断 AI 是否好用的唯一标准。
一句话回答
参数越多，通常代表模型容量更大，但不等于一定更聪明。参数像模型内部的“知识连接”和“调节旋钮”，规模越大越可能装下复杂模式；但真正好不好用，还要看数据质量、模型架构、训练方法、推理能力、对齐优化和任务场景。
01 先把 7B、70B、175B 看懂
scale lab
B = Billion
70B 约等于 700 亿 参数
像一个经验更丰富的业务专家，综合能力明显更强，但调用成本和响应速度也会更敏感。
7B
70B
175B
1T+
中等规模
能力和成本比较平衡
像什么像一位经验更完整的业务专家，常见问题、写作、总结和方案都能兼顾。
运行代价需要更强算力，速度和成本开始明显影响产品体验。
适合任务内容生产、资料总结、日常分析、客服升级和一般业务方案。
02 什么是模型参数
what it is
不是字典
参数不是一条条知识卡片
模型不会把“北京在哪里”这种知识按词条存起来。它是在训练中学到大量语言和知识之间的连接关系。
像连接
更像大脑里的连接权重
你可以把参数理解成模型内部海量“连接强弱”。训练时不断调整这些连接，让模型更会预测、理解和生成。
看容量
参数越多，容量通常越大
更大的容量通常能承载更复杂的模式，但容量只是上限，不代表每个任务都能发挥出来。
03 为什么参数大不一定更聪明
not only size
数据质量模型学过什么，比学了多少更关键。低质量数据越多，错误模式也会被学进去。
模型架构同样参数量，不同架构的效率和能力可能完全不同，设计决定参数怎么协作。
训练方法训练目标、数据配比、微调和强化学习会影响模型是否真正懂人类需求。
推理能力面对复杂问题，能不能拆步骤、看约束、做自检，比单纯容量更重要。
对齐优化一个模型会不会按用户意图回答、能不能少胡说，取决于后期对齐和产品工程。
应用场景企业客服、分类、简单问答未必需要超大模型，任务匹配才是真正的聪明。
04 小模型为什么也可以很强
small can win
速度
需要秒回的任务，小模型更舒服
输入法联想、简单客服、实时分类这些场景，用户等不起。小模型响应快，体验反而更好。
成本
大量调用时，账单会决定方案
企业一天几十万次调用，如果每次都用最大模型，很容易把项目做成“效果不错但用不起”。
专精
窄任务里，专门调好的小模型很能打
比如判断客户是退货、查物流还是问售后，一个调教好的小模型可以又快又稳。
05 大模型和小模型怎么区分
model tiers
小模型
速度快 / 成本低
适合简单问答、分类、客服初筛、固定格式处理和本地轻量部署。
中模型
能力和成本平衡
适合日常写作、资料总结、业务方案、办公助手和一般企业应用。
大模型
能力强 / 成本高
适合复杂推理、代码架构、战略分析、多步骤 Agent 和高价值决策。
06 企业为什么不一定选最大模型
choose by task
高频低风险
客服常见问题自动回复
这类任务答案边界清楚、调用频率高，重点是稳定、便宜、快。可以先用小模型或中模型，再把难题升级给强模型。
小模型 / 中模型优先
把最大模型留给复杂问题
一个简单比喻
参数像发动机，但车好不好开还看整车调校
发动机大，通常动力强；但一辆车真正好不好开，还要看底盘、变速箱、油耗、驾驶场景和维护成本。AI 也是一样：参数是重要基础，但数据、架构、训练、推理和产品工程共同决定体验。
参数规模决定容量上限。
训练数据决定学到什么。
架构训练决定怎么学。
场景测试决定是否好用。
本节练习
别只看参数表，用真实任务做一次小评测
拿同一个任务分别测试小模型、中模型和强模型。记录四个指标：答案质量、响应速度、调用成本、是否稳定。最后你会发现：最贵的不一定最适合，最合适的才是最聪明的选择。
客服分类看小模型是否够快够准。
文章改写看中模型语言是否自然。
代码分析看强模型是否明显更稳。
成本记录估算高频调用的月成本。
最终选择按任务分层，而不是一个模型打天下。
本节小结
- B 是 Billion，7B 约等于 70 亿参数，70B 约等于 700 亿参数。
- 参数代表模型规模和容量，不等于真实场景里的最终效果。
- 数据质量、模型架构、训练方法、推理能力和对齐优化同样关键。
- 真正会选模型的人，不迷信最大参数，而是知道什么任务该用什么模型。