翻开任何一个 AI 模型的介绍页，第一行几乎都是数字：70B、200B、671B。
B 是 billion，十亿。70B 就是 700 亿个参数。
数字越大越强吗？一半对，一半错。
参数到底是个啥
你可以把参数想成模型脑子里的"旋钮"。
模型内部有几亿、几千亿个可调的旋钮，训练的过程，就是不断拧这些旋钮，直到它输出的话越来越像人话。
旋钮越多，能表达的东西越复杂、越细腻。所以参数确实跟能力有关系。
但旋钮多，不等于拧得好。
同样的参数，能力能差很远
有两个 700 亿参数的模型，一个考试能考九十分，另一个可能刚及格。
差在哪？差在喂给它的数据、训练的方法、后期的调教。就像两个学生脑子一样大，一个读了十年好书，一个刷了十年短视频。
所以看到参数数字，正确的反应不是"越大越好"，而是"这只是个门槛指标"。
参数大，还有两个代价
第一个，吃硬件。旋钮多，跑起来就费显存、费算力。一个 700 亿参数的模型，想在自己电脑上跑，家用显卡基本没戏。
第二个，慢。同样一句话，大模型要想更久。手机上那种秒回的小助手，基本都是小参数模型。
这就是为什么现在流行"小模型"：参数砍到几十亿，专门干某几类活，又快又省，够用。
那些字母缩写怎么看
现在市面上的模型名字越来越花，记住几个常见的就够：
- B：十亿参数。7B=70 亿，70B=700 亿。
- MoE：混合专家。看着参数巨大，但每次只用其中一小部分，所以又快又省。现在主流大模型基本都用这套。
- 量化：把参数从高精度压成低精度，比如 4bit、8bit。代价是一点点精度，收益是能塞进小显存。本地跑模型全靠它。
普通人判断模型的三个实在标准
别看参数，看这三样：
一，你手上的活它干得怎么样。找个你熟悉的题目亲自试，比看任何榜单都准。
二，跑得快不快、贵不贵。同样效果，响应快一半、价格便宜一半的，就是好模型。
三，更不更新。知识截止日期太老的模型，问它新闻全是过期答案。
一句话带走
参数是脑容量，不是智商。
同参数的两个模型，喂的数据和调教方法不同，能力能差出一大截。
挑模型别数零，拿你自己的活去试——试十分钟，胜过看十篇评测。
下一篇：Token 是什么？AI 的收费、字数和记性都绕不开它。
