专业化胜过规模：大多数 AI 采购决策忽视的战略变量 (opens in new tab)

📌 One-Sentence Summary 一个 30 亿参数的专业化模型在结构化 OCR 基准测试中以大约五十分之一的成本超越了所有商业前沿 API，证明了与部署任务的分布对齐比参数数量更具决定性。 📝 Summary 这篇发表在 Hugging Face 博客上的文章由 Dharma AI 团队撰写，为企业 AI 采购提供了战略性的重新思考。文章指出，主流假设——即更大的前沿模型总是最佳选择——并不完整。作者通过 DharmaOCR 基准测试提供了实证证据：一个专业化的 30 亿参数模型在提取质量、成本（便宜 52 倍）和生产稳定性方面，超越了所有测试的商业前沿 API（包括 Claude Opus 4.6 和 GPT-5.4）。这里的关键变量不是参数数量，而是“分布对齐”——模型训练历史与部署任务的接近程度。文章引入了一个专业化层级，表明对齐具有累积效应：一个已在通用领域（如 OCR）专业化的模型，在进一步针对特定领域进行微调时，比通用模型获益更多。作者认为，尽管这一发现局限于一个领域，但它应促使企业将分布对齐作为 AI 评估中的首要变量，并考虑构建逐步专业化的模型生态系...