英偉達研究院和佐治亞理工大學的研究人員最近發(fā)表了一篇論文，拋出了一個非共識的觀點：

　　小語言模型（SLM）才是AI智能體的未來，而不是那些龐大的大型語言模型。

　　https://arxiv.org/abs/2506.02153v1

　　作者核心理由主要是以下三點：

　　首先，SLM已經(jīng)足夠強大，能處理AI智能體中大多數(shù)重復、專一的任務；其次，它們天生更適合智能體系統(tǒng)的架構(gòu)，靈活且易集成；最后，從經(jīng)濟角度看，SLM更省錢、更高效，能大幅降低AI運行成本。

　　想象一下，AI智能體系統(tǒng)就像一個虛擬團隊，能自動分解任務、調(diào)用工具（比如瀏覽器或代碼編輯器），最終解決問題。目前，大多數(shù)AI智能體都依賴LLM作為“大腦”，因為LLM聊天能力強、知識廣博，能處理各種復雜問題。

　　論文指出，2024年AI智能體市場已達52億美元，預計到2034年飆升至2000億美元，企業(yè)中超過一半已經(jīng)在用。但問題來了：AI智能體的任務往往重復單一，比如“檢查郵件”“生成報告”，用LLMs這種“全能選手”來干這些活，就好像用超級計算機玩掃雷，開蘭博基尼送披薩——過于浪費資源。

　　而且不單是浪費，智能體系統(tǒng)任務的特點也使得小模型能更好的適配智能體生態(tài)，從而更有可能交付出更符合要求的結(jié)果。

　　因為本質(zhì)上AI智能體不是聊天機器人，而是“工具箱+大腦”的系統(tǒng)。SLM小巧，訓練/微調(diào)成本低（幾小時GPU就行），易適應新需求（如新法規(guī)）。這帶來“民主化”，從而能讓更多人能開發(fā)智能體，減少偏見，促進創(chuàng)新。

　　作者指出，智能體任務只用LLM的一小部分技能，如格式嚴格的工具調(diào)用。而AI智能體系統(tǒng)天然異構(gòu)就利于混用模型，主智能體用LLM，子任務用SLM。

　　而如果大量采用SLM，還能發(fā)揮數(shù)據(jù)收集優(yōu)勢：智能體運行時，自然產(chǎn)生的專精數(shù)據(jù)，可以用來微調(diào)SLM，形成良性循環(huán)，從而使得結(jié)果越來越好。

　　01

　　什么是SLM

　　論文對SLM給出了一個實用的定義：

　　SLMs：能裝進普通消費電子設(shè)備（如手機或筆記本），推理速度快，能實時服務一個用戶的智能體請求。目前，10億參數(shù)以下的模型可以算是SLM。而其他更大的模型，通常需要云端服務器支持。

　　為什么這樣定義？SLM像“便攜大腦”，適合終端部署；LLM像“宇宙級超級電腦”，但延遲高、成本大。

　　作者給了一個很極端但是又很有意思的例子做比喻：如果AI無限大，會受光速限制沒法實時互動；無限小，又太弱沒法做事。人類大腦就是平衡點，SLM就像人類大腦這個平衡點，高效，易于迭代。

　　作者對比兩種類型的智能體結(jié)構(gòu)：

　　
在左側(cè)，一個語言模型與用戶聊天并直接觸發(fā)每個工具，因此整個流程都位于該單個模型中。

　　在右側(cè)，一個小型控制器程序處理工具調(diào)用，讓模型專注于對話或特定推理。

　　這種拆分使得為大多數(shù)調(diào)用插入小型語言模型變得容易，節(jié)省成本，并將大型模型僅保留用于不太常見的開放式問答或者推理步驟。

　　論文表示，最前沿的小模型如Phi-3和Hymba，在工具使用、常識推理和指令遵循方面，性能足以媲美30B到70B的大模型，但在實際工作流中的計算量卻降低了10-30倍。

　　英偉達還對三款真實世界的AI智能體進行了測試，發(fā)現(xiàn)：

　　MetaGPT：60%的任務可以用SLM取代

　　Open Operator：40%的任務可以用SLM取代

　　Cradle（圖形界面自動化）：70%的任務可以用SLM取代

　　02

　　SLM那么好，為什么還要用LLM呢？

　　論文認為AI智能體沒有大規(guī)模利用SLM的主要原因還是因為路徑依賴。

　　大量資金（高達570億美元）被投入了中心化的大模型基礎(chǔ)設(shè)施，團隊傾向于重復使用付費設(shè)置，而不是轉(zhuǎn)向更輕的本地選項，短期內(nèi)難以轉(zhuǎn)變。

　　行業(yè)內(nèi)對「大即是好」的偏見依然強烈。對小型模型的研究一直在追逐用于大型模型的相同廣泛基準，而這些測試都體現(xiàn)不出于小模型在智能體任務上的優(yōu)秀表現(xiàn)。

　　SLM幾乎沒有GPT-4那樣的熱度，小模型也不像讓大模型那樣經(jīng)歷了一輪一輪的營銷熱潮，因此許多構(gòu)建者從未嘗試過更便宜更合理的路線。

　　對此，論文認為如果研究任務員和智能體搭建者能夠做到一下幾點，那么將能很好的發(fā)揮SLM在智能體方面的潛力。

　　-收集梳理數(shù)據(jù)

　　-針對特定任務微調(diào)SLM

　　-把任務進行聚類并建立SLM的“技能”

　　03

　　華人作者介紹

　　SHIZHE DIAO

　　根據(jù)他領(lǐng)英公開的資料，他先后就讀于北京師范大學，香港科技大學，曾經(jīng)在UIUC做過訪問學者。

　　曾經(jīng)在字節(jié)AI LAB做過實習，2024年加入英偉達擔任研究科學家。

　　Xin Dong

　　根據(jù)他的個人博客，他博士畢業(yè)于哈佛大學。曾經(jīng)在騰訊,Meta等公司有過工作和實習經(jīng)歷。

　　Yonggan Fu

　　根據(jù)他的領(lǐng)英公開資料，他本科畢業(yè)于中國科學技術(shù)大學，在萊斯大學和喬治亞理工完成了自己的博士學業(yè)。

　　在Meta和英偉達實習過，現(xiàn)為英偉達研究科學家。