重新思考规模：代理范式下小型语言模型的部署权衡
计算与语言
2026-04-22 v1 人工智能
摘要
尽管大型语言模型展现了惊人的能力，但其巨大的计算成本、延迟问题以及隐私风险阻碍了其在实际应用中的广泛部署。参数数量不足100亿的小型语言模型（Small Language Models, SLMs）作为一种有前景的替代方案，但其在知识储备和推理能力上的内在局限性削弱了其效能。现有研究主要致力于通过规模化法则或微调策略提升SLMs的性能，却忽视了利用代理范式（如工具使用和多代理协作）系统性弥补小模型局限性的潜力。为此，我们提出首个针对<100亿参数开源模型的大规模、全面研究，基于三种范式：（1）基础模型，（2）配备工具的单一代理，（3）具备协作能力的多代理系统。我们的结果表明，单代理系统在性能与成本之间取得最佳平衡，而多代理配置则增加了开销且收益有限。我们的发现凸显了在资源受限环境下，代理导向设计对实现高效可信部署的重要性。
引用
@article{arxiv.2604.19299,
title = {Rethinking Scale: Deployment Trade-offs of Small Language Models under Agent Paradigms},
author = {Xinlin Wang and Mats Brorsson},
journal= {arXiv preprint arXiv:2604.19299},
year = {2026}
}