小模型的价值，藏在更短的反馈回路里

谈到模型时，我们很容易把注意力放在参数规模和排行榜上。但在个人实验室里，我更在意一个实际问题：从想到一个规则，到看到它在真实输入上失效，中间需要等多久。小模型的优势不是在每一项能力上取胜，而是让这个循环短得足以重复很多次。

我最近用一个轻量模型做文本归类和草稿整理。第一版并不稳定，遇到混合语气的笔记就会把“问题”和“结论”放在同一类。因为推理很快，我可以当天收集几十个反例，调整标签说明，再比较新旧提示的差异。这个过程比一次性追求完美提示更容易积累判断。

小模型也迫使我把需求写得更清楚。面对能力有限的模型，模糊的“帮我整理一下”很快就会失败，于是我开始定义输入格式、保留原文的范围和允许的输出选项。最后得到的接口反而更适合长期维护，也更容易换成别的模型。

所以我把模型选择看成反馈回路的设计。需要深度推理的节点可以交给更大的模型，重复、明确且要频繁验证的节点则优先尝试小模型。只要边界清楚，小模型不是妥协，而是一种让实验持续发生的节奏。