底部赞助展示区
联系我们 适合多赞助商长期展示
正在加载…
Jason Wei 对“1B 小模型加工具即可达到大模型智能水平”的观点提出反思。他认为，联网搜索和代码执行能够弥补部分知识与计算能力，但无法完全替代模型通过训练内化知识、模式和判断能力。
据多家来源转述，Jason Wei 表示，他曾一度认同“足够强的认知核心配合工具即可替代规模扩张”的设想，但后来认为这一判断过于乐观。小模型原则上可以借助搜索和代码工具完成许多任务，却往往需要更多步骤来获取信息、推导答案并组织输出。
他用学习羽毛球作比喻：能够记住并完成每个动作，不等于能在真实比赛中自然、稳定地串联这些动作。对应到语言模型，知识被直接内化的模型通常可以更快回应，也更可能形成基于大量信息的综合判断，而不是简单复述搜索结果。
Wei 还指出，频繁调用工具和重复推导会增加长流程任务中的出错机会，错误可能逐步累积。因此，工具仍是提升小模型能力的重要手段，但如果目标是最高质量的智能表现，模型规模和内部知识容量仍然重要。该观点属于专家论述，并非对所有任务的实证定论。
来源核查不代表信息永远正确；请结合原文、观察时间与后续修正判断。
Jason Wei 曾经认为一个10 亿参数的“认知核心”配合联网搜索、代码执行等工具就能达到大模型的效果,但后来指出这种想法是错误的。
一直有一种观点，就是小模型加Harness，就能达到大模型的智能效果： > 只需要一个10 亿参数的小模型作为“认知核心”，其余能力靠联网搜索、执行代码等工具补齐就够了。
一直有一种观点，就是小模型加Harness，就能达到大模型的智能效果： > 只需要一个10 亿参数的小模型作为“认知核心”，其余能力靠联网搜索、执行代码等工具
一直有一种观点，就是小模型加Harness，就能达到大模型的智能效果： > 只需要一个10 亿参数的小模型作为“认知核心”，其余能力靠联网搜索、执行代码等
一直有一种观点，就是小模型加Harness，就能达到大模型的智能效果： > 只 ... 能力靠联网搜索、执行代码等工具补齐就够了。 Jason Wei Show more.
一直有一种观点，就是小模型加Harness，就能达到大模型的智能效果： > 只需要一个10 亿参数的小模型作为“认知核心”，其余能力靠联网搜索、执行代码等