今年下半年出现一个反直觉的信号：一批只有 30 亿参数上下的开源小模型，在分类、信息抽取、文本校对这类"窄任务"上，跑分追平甚至超过了动辄几百上千亿的旗舰大模型。我的判断是，参数规模的军备竞赛正在退热，"够用就好"从省钱话术变成了正经的工程共识。
事实摆出来。过去大家默认"模型越大越聪明"，所以比的都是参数和榜单。但真实业务里大量需求根本不需要通才——你只是想从一封邮件里抽出订单号，或者判断这条评论是褒是贬，或者把一份合同里的关键条款标出来。这些任务，小模型在专门数据上微调后，准确率和大模型差不了多少，推理速度快几倍、成本便宜一个数量级。
为什么这个拐点到现在才明显？一是量化与蒸馏技术成熟，小模型"吃饱"专业数据后短板被补齐；二是企业被大模型的 API 账单教育了一整年，终于有人敢问一句"我真的需要为每次抽取付旗舰的钱吗"。当成本成为选型的第一约束，性价比就取代了参数崇拜。
对几类人的影响很实在。创业者和中小团队：你完全可以用一个小模型扛住 80% 的标准化任务，把大模型留给那 20% 真正需要推理的硬骨头，整体账单能砍掉一大截。做私有化部署的：小模型能在更便宜的机器甚至边缘设备上跑，数据不出内网的同时，硬件投入也降下来了。模型开发者：别再盲目冲参数，把"在特定场景做到极致"当成卖点，反而更有市场。
做内部系统的老周跟我聊过他的替换：原来一条工单分类全丢给旗舰模型，一个月 API 费用四位数；后来换成一个 3B 小模型专门做分类，准确率只掉了半个点，费用直接落到零头。"省下的钱不是关键，关键是延迟从两秒变两百毫秒，一线同事体感好太多了。"他的体会很朴素——用户不在乎你用多大模型，只在乎点完之后快不快、对不对。
想动手的：本站收录的 DeepSeek、通义千问、Qwen 都有小尺寸开源版本，配一份你的业务数据微调，比盲调大模型省心。判断标准就一句——先定义清楚"什么算对"，再选最小的那个能达标的模型。
大模型还会继续大，但小模型的逆袭提醒我们：工具的价值不在它有多强，而在它刚好够用且够便宜。