刚看模型介绍时,常会撞见一串数字:「7B」「70B」「多少多少亿参数」。有人告诉你越大越聪明,也有人劝你小模型够用不浪费。到底谁对?这篇不背结论,只把参数量是什么、它影响什么、不影响什么讲清楚,再给你一套实际挑模型时能用的判断顺序,避免被数字牵着走。
第一次翻模型介绍,很容易被那串数字钉住眼睛。有人跟你说越大越聪明,也有人劝你别花冤枉钱,小模型够用。两边都没说错,错在把参数量当成了唯一尺子。这篇不替你下结论,只把参数量是什么、影响哪几件事、哪几件事跟它没关系讲清楚,最后给一套挑模型时能照着走的顺序,让你看到数字时不慌。
要提醒一句:参数大只是「脑子容量」的一类信号,不是成绩单。同一个模型换一版训练数据、换一种后训练方式,实际表现可能比两档参数之间的差距还大。所以数字可以看,但别停在数字上。
参数到底是什么:不是设置项,是模型学出来的数
先破一个常见误解:这里的「参数」不是你在界面上调的选项,不是温度、不是长度上限。它是训练过程中被反复调整过的一堆数值,数量级从几亿到几千亿,训练结束后就固定下来,成了模型本体的一部分。你调的那些选项是推理时的旋钮,参数是模型出厂时带的身体。
可以把模型想成一张超大表格,每个格子存一个数。模型每次预测下一个字,做的事就是把这些数按固定规则过一遍、算出一个结果。所以「多少 B」只是格子总数的缩写,B 就是十亿的意思。它描述规模,不描述聪明。想补基础词,到 站内页面 /ai-dict 查缩写和常用术语,别被字母唬住。
| 你可能听到的说法 | 实际指的是 |
|---|---|
| 7B、70B 这类写法 | 参数总量约等于多少十亿个数值,是规模代号 |
| 「参数量」和「设置项」 | 前者是训练学出来的,后者是你调用时填的 |
| 「参数多就聪明」 | 只在部分能力上通常相关,不是通用结论 |
| 「参数大所以贵」 | 价格取决于部署、上下文和计费口径,不是参数直接换算 |
参数量影响什么、不影响什么
通常和参数量相关的能力有几类:知识广度、处理多步骤推理时的余量、对少见表达和细粒度语气的区分。任务越绕、越需要把好几步串起来,大模型往往越有余地。这也是「越大越强」这句话的来源。
- 通常相关:知识覆盖面、复杂推理的稳定性、细微语气的辨别
- 往往不相关:响应速度,更多由部署方式和硬件决定
- 往往不相关:单次调用贵不贵,取决于计费口径和用量结构
- 往往不相关:能不能读长文档,看的是上下文长度这个单独指标
- 往往不相关:能不能被稳定解析成 JSON,看的是训练方式和后处理
换句话说,参数大只是「容量」的一类信号,跨过某个门槛后,边际收益会明显放缓。真要比,得在同一条任务上比。拿不准哪些能力项值得比,先去 站内页面 /benchmarks 看别人用什么维度测,再挑跟你活儿接近的那几项;具体榜单上的名次到 站内页面 /rankings 核对当时的数字,别背结论。
什么时候别盯着数字看
不是所有场景都值得为更大的参数买单。下面三类情况,先把数字放一边,反而更省事。
- 任务简单且量很大:分类、改写、抽字段这类活,小模型往往够用,硬上大模型就是烧钱
- 对延迟敏感:大模型要么慢、要么贵,要么逼你在两者之间选,先量出延迟基线再谈值不值
- 只看纸面规模做决策:参数是厂商标的,好不好用要靠交叉验证,别拿一个数字定生死
延迟这一项特别容易被忽略。你自己业务能忍多少毫秒、高峰期并发多少,这些不量出来,讨论用哪个模型都是空谈。可以到 站内页面 /tools/speed-test 拉一条你自己的速度基线,有了这条线再看模型才有意义。判断类内容都有适用边界:如果你的任务是离线批处理、对延迟不敏感,上面的顾虑就不成立,可以更看重质量。
上手挑模型的四步检查顺序
- 第一步:定任务类型先写清楚这活儿是问答、写代码、读长文档还是批量处理,一句话能说完就别写两句。这一步不看任何模型介绍,只描述需求。
- 第二步:按任务筛能力项需要读长文就优先看上下文长度;需要写代码就优先看编程类评测维度。把参数放到最后一栏当参考,而不是第一眼就按它排。具体维度去哪看,参照 站内页面 /benchmarks 的栏目划分。
- 第三步:算一遍成本同一任务用大小两档各估一遍,用 token 量乘单价去比。站内 站内页面 /tools/model-cost-calculator 可以直接换算,各家的具体单价到 站内页面 /official-api 核对当时的数字,别拿旧记忆当依据。
- 第四步:小样本实测再决定拿十条真实输入分别跑,记录错漏率和你自己的体感差异。如果两档结果差不多,就选小的那档,省下来的预算留给真需要的环节。
这套顺序的核心是:先想清楚活儿,再看能力维度,然后算钱,最后才轮到参数出场。顺序反过来,就容易被数字牵着走。各家价格和可用性会变,长期跟踪可以到 站内页面 /price-watch 看变化,别把某一刻的数字记成永久结论。
下一步拿你手头最常做的那件任务,按上面四步走一遍,先量速度基线、再算一遍成本,最后小样本实测。具体数字到站内页面核对,别凭印象下判断。→常见问题
参数越多模型一定越聪明吗?
不一定。参数量只说明模型容量的一类上限,实际表现还取决于训练数据质量、训练方法和后处理。常见情况是:参数翻倍但某类任务提升很小,甚至在同一档里被更小但训练更好的模型超过。把它当参考项而不是判决书,具体对比去站内榜单看当时的评测结果。
小模型是不是就没法用了?
看任务。分类、格式化改写、简单问答、批量抽取这些场景,小模型往往又快又省,够用就没必要换大的。真正需要大模型的,通常是多步骤推理、长文档理解、代码生成这类对综合能力要求高的活。先跑十条真实输入试一下,差距不明显就别花那份钱。
我看到的名字里有 B,还能从里面看出什么?
B 只是十亿这个单位,跟在它前面的数字是参数量的粗略规模,通常是同一系列内部比大小的参照。它不能告诉你上下文多长、支不支持图片、计费怎么算,这些都要单独查。想快速认全模型名里各种后缀,可以顺着 站内页面 /ai-dict/category/tech 把底层概念过一遍。