垂类模型和通用大模型的区别，为何会这样

选型会上最常见的争执是：通用大模型什么都能聊，垂类模型在某个领域更听话，到底该押哪一个。真上线才发现，通用模型答得像那么回事但细节不敢用，垂类模型遇到边界外的问法又直接崩。这篇不站队，只把两者的差别拆成能对照的几条，给一套先判任务、再判数据的落地顺序。

选型会上最容易吵起来的一句话是：通用大模型什么都能聊，垂类模型在某个领域更听话，到底押哪一个。真上线才发现，通用模型答得像那么回事但细节不敢用，垂类模型遇到边界外的问法又直接崩。两边都不是银弹，问题在于很多人把这件事当成「谁更专业」的口水战，而不是当成一个可以拆开对照的工程问题。

这篇不站队，只做一件事：把两者的差别拆成能力边界和落地成本两条线，讲清差在哪、为什么会差，最后给一套先判任务、再判数据的落地顺序。看完你至少能回答三个问题：我这件事该用哪边、我有没有条件用垂类、两边都过的时候怎么混搭。

差别不是「专不专业」，而是训练起点不同

很多讨论一上来就说垂类模型更专业，这个说法不准确，也没法指导选型。真正的差别在训练起点：通用大模型是在海量杂数据上做预训练，目标是覆盖面，什么都见过一点；垂类模型多数是拿一个通用底座继续喂领域数据做微调或继续预训练，目标是在一条窄路上提高命中率。起点不同，后面的所有表现差异都是从这里长出来的。

通用大模型

见得多但浅，擅长把陌生问题接住并给出可用的起步答案，代价是细节经常不能直接用

垂类模型

在特定领域更深更听话，但知识面窄，遇到边界外的问法容易越界瞎答

继续预训练

在已有底座上继续喂领域语料，让模型熟悉该领域的表达和术语体系

微调

用带标注的问答对教模型按固定口径回答，改的是行为习惯而不是知识广度

能力边界：先看任务落在哪一侧

判断能力边界不要靠感觉，靠给任务打分。拿一张纸，把你要做的每类任务列出来，按三列打分：输入是否结构化、答案是否有唯一正确解、错了代价多大。三项都偏严的任务，比如按固定规则审核材料、按标准口径回答问题，更适合垂类模型；三项都偏松的任务，通用模型先跑起来更划算。

还有一步比看任何榜单都直接：准备二十条故意跑偏的问题，也就是你业务邻域里那些似是而非的问法，看模型是拒答、瞎答还是绕回自己的领域。拒答说明边界清楚，瞎答说明危险，绕回来说明它知道自己在哪。这一步十分钟就能做完，但能筛掉很多看起来很美的东西。

垂类模型的核心资产是数据，不是模型本身

很多人以为买了或训了一个垂类模型就有了壁垒，其实模型本身不是资产，数据才是。垂类模型的价值全部来自你喂进去的领域语料和问答对，模型只是把这些数据固化成行为习惯的容器。所以选型前先自查：你手里有没有成规模的、清洗过的、带标注的领域语料。没有的话，垂类模型的优势基本落不了地。

• 数据量够但质量差，微调出来的模型会比通用模型更自信地答错，这是最常见的翻车方式
• 领域语料要能整理成「问题—标准答案」结构，整不出来的原始文档直接喂效果有限
• 标注口径要统一，同一个问题两个标注员给出不同答案，模型学到的就是混乱
• 数据要有版本管理，业务口径变了要能追溯是哪批数据导致的偏差

1. 抽一百条历史记录从工单、客服记录或审核记录里随机抽一百条，看能不能整理成问答对结构
2. 算可结构化比例统计能整理成「问题—标准答案」的比例，低于一半说明数据基础还不够
3. 找标注人确认有没有懂业务的人能持续做标注和校对，没有人就先把这件事放一放
4. 做小样本验证先用几百条高质量数据试一次微调，看效果是否明显优于通用模型加提示词，再决定要不要扩大投入

成本结构不一样：一个是按量，一个是按次投入

这两者的成本形态完全不同，拿同一个口径去比会得出错误结论。通用大模型走 API 是按用量付费，边际成本低、试错便宜，今天想试明天就能接；垂类模型要付数据整理、微调训练、评测调优的一次性成本，之后还要持续维护。前者像水电费，后者像装修费，不能混着算。

还有一点容易被忽略：垂类模型不是训完就结束。业务口径变了、法规变了、产品线扩了，都得重新喂数据重新评。这部分要当成长期运营预算，而不是项目尾款。具体的 API 单价和训练花销到 与 核对当时的数字，别拿几个月前的旧账做决策，价格和供给都在动。

幻觉形态不同，兜底手段也不同

两边都会编，但编的方式不一样，这一点直接决定了你怎么兜底。通用模型的幻觉偏「编得像」，一段话说得通顺流畅，外行看着挺对，内行一眼能看出不对；垂类模型的幻觉偏「在专业名词上极其笃定地错」，句式专业、术语准确，但推理链条或数字是错的。后者对业务更危险，因为没有专业背景的人根本看不出来。

• 通用模型优先用检索增强把事实来源兜住，答案里带出处，人工能核
• 垂类模型更适合加规则校验和置信度阈值，超过阈值直接转人工，不猜
• 专业名词答得准不等于懂这个行业，名词大多是大模型本来就见过的，要测推理链条
• 强监管场景里模型只是链路一环，合规审查和人工复核省不掉

上线前怎么评：用自己的题，不看公开榜

公开榜单可以看，但只能当背景，不能当决策依据。原因很简单：榜单的题不是你的题，榜单的口径不是你的口径。真正能决定上不上线的，是你自己建的两套题。一套是领域内标准问题，测命中率；一套是邻域干扰问题，测不乱答。两套题都要让通用模型和垂类模型跑同一批，做对照。

1. 建领域内标准题从真实业务里挑常见且有标准答案的问题，每题写清参考答案，数量至少几十条
2. 建邻域干扰题专门挑似是而非、容易越界的问法，看模型是拒答还是瞎答
3. 定评分口径答案可直接采用、需要改几个字、需要整个重写，三档打分，别用感觉差不多这种口径
4. 双模型对照跑同一批题让两边都跑一遍，记录每档的分布，再看哪边在你的业务上更稳
5. 看公开榜只做校正公开榜单的阅读方法参考 与 ，但结论必须来自你自己的题集

评分口径写死这件事很关键。没有固定口径，评测就会变成各说各话，有人说好有人说差，最后靠谁嗓门大决定。写死的口径还有一个好处：后续换了模型版本或者更新了提示词，可以用同一套题复测，看是进步还是退步。

一个可以照着走的判断顺序

前面几条拆完，最后落到一个可以照着走的顺序上。顺序很重要，顺序反了就会先买工具再找场景，这是最贵的走法。正确的顺序是：先判任务，再判数据，最后判维护能力。

1. 第一步判任务答案是否有唯一正确解、错了代价多大，答案偏唯一且代价大的走垂类方向，偏开放的先上通用模型
2. 第二步判数据有没有成规模、清洗过、带标注的领域语料，没有就先别谈垂类模型
3. 第三步判维护有没有人能持续更新数据和复测，没有的话垂类模型会很快过时
4. 都不满足时先跑通流程三步里任何一步过不去，就先上通用模型加提示词加检索，把业务流程跑通再说

两边都过的场景，可以走混搭，而不是按公司二选一。常见的做法是通用模型做入口和意图识别，判断用户问的是哪一类问题，再路由到垂类模型做深水区的专业环节。按环节分工，比按模型分工更贴合实际业务，也更容易做灰度。候选的垂类模型可以到 核对清单。

几个高频误判，提前打个预防针

最后列几个在选型会上经常听到的判断，它们听起来有道理，但经不起推敲。提前打个预防针，能省掉一轮返工。

还有一个误判值得单独说：把垂类模型当成一次性项目。它更像一个需要持续喂养的系统，数据过期、口径变化、法规更新都会让它退化。决策时把维护成本和维护人一起写进方案，比只看训练那一刻的效果靠谱得多。