三阶十二步工业AI小模型训练实战 · 第3篇

小模型 vs 大模型：
制造业AI选型的第一道判断题

用六个维度、四类场景和一张决策卡，把“谁更强”改成“谁更适合”

作者：黄山  |  专栏序号：03 / 30  |  阅读时间：约15分钟

图1  小模型和大模型不是高低之分，而是两条不同的工程路径：现场实时执行与中心通用分析各有边界。

文章摘要｜第1篇回答了“为什么大量工业在线任务更适合小模型”，第2篇铺开了三阶十二步的项目地图。这一篇把判断推进到可执行层：不按参数大小争输赢，而是从任务边界、数据、训练成本、时延、部署和运维六个维度选型，并用注塑件质检案例演示如何把约束转成决策。

写在前面：选型不是技术攀比，而是约束匹配

我见过不少团队把选型会开成“模型排行榜”：谁的参数更多、谁在公开数据集上分数更高、谁用了最新架构。讨论很热闹，但回到车间，仍然回答不了最重要的三个问题——这个场景到底要什么？我们手里有什么？组织能够长期承受什么？

制造业AI的特殊之处，是模型必须进入一条真实链路：相机或传感器采集数据，系统在节拍内完成判断，结果触发复检、调参、换刀、派工或告警。只要时延、网络、安全、误判代价、维护能力中有一项不满足，离线分数再漂亮也无法交付。

因此，本篇不讨论“小模型一定更好”或“大模型一定更先进”。我们把两者放回业务角色中：大模型擅长通用理解、知识整合和开放式生成；小模型擅长在明确边界内稳定、快速、低成本地执行。很多成熟方案还会让两者协同，而不是二选一。

核心观点｜选型的对象不是一个模型名称，而是一套从数据到动作的工程方案。先写清任务与硬约束，再比较模型。

一、先把概念讲清：大小不是唯一分界线

“小模型”和“大模型”并没有一条适用于所有任务的参数红线。一个用于表格预测的百万参数网络可能已经偏大；一个经过压缩的视觉基础模型即使参数量下降，仍可能保留通用表征能力。制造业选型时，更实用的分法是看模型的工程角色。

• 任务专用型模型：围绕分类、回归、检测、分割或时序预测等明确任务训练，输入、输出、阈值和验收指标都可定义。典型算法包括逻辑回归、随机森林、XGBoost、LightGBM、MobileNet、轻量ResNet、YOLO轻量版本、1D-CNN和小型LSTM。
• 通用基础模型：通过大规模预训练获得跨任务能力，擅长自然语言、多模态理解、知识问答、内容生成和复杂交互，通常需要更高算力与更完整的安全治理。
• 混合架构：中心侧的大模型负责知识检索、异常解释、报告生成和人机交互，边缘侧的小模型负责毫秒级检测、预测与控制；两者通过结构化接口交换摘要和指令。

判断提醒｜不要用“参数少就是小模型”代替工程判断。真正需要比较的是：任务是否开放、结果是否直接驱动现场动作，以及系统能否在约束内长期运行。

二、六维度对比：把“谁更强”改成“谁更适合”

图2  六维选型不是单项比赛：规模、速度、成本、数据、解释与部署必须放在同一张工程评审桌上。