3B模型很容易被包装成一个反转故事：参数少得多，成本看上去更低，于是下一句就是“万亿模型平替”。这一步跨得太快。能把一个规则清楚的任务做好，和拥有同等级别的通用能力，不是同一场考试。
对企业来说，3B级模型已经值得进入候选清单，但不是免试录取。放到合同审查、医疗分诊等场景里，决定模型能否上线的，是严重风险会不会漏、知识多久更新一次、目标设备能否稳定运行，以及出错后由谁接手。
榜单很热闹，合同审查仍得另考
腾讯云转引的2026年3月资料称，中国大模型周调用量达到4.69万亿Token，美国为4.21万亿；全球调用量TOP10中，中国模型占6席。MiniMax M2.5的激活参数为48B，总参数达到1.2万亿，并进入高调用量模型行列。
这些数字至少说明，大模型仍在被大量调用。但调用量、通用问答和垂直任务，是三张不同的成绩单。一个模型被调用得多，不能直接证明3B模型能否识别合同里的关键责任，也不能回答它在医疗分诊中会漏掉多少高风险病例。
另一组数字更贴近企业部署。ACTGSYS的SLM指南把小语言模型的典型参数范围划在1B到14B，并将笔记本、手机和边缘设备列为可运行终端。企业看中这类模型，主要是因为本地部署、数据不出域和定制空间，而不是因为参数越少就越聪明。
Nanbeige4-3B值得测，结论别抢跑
Boss直聘南北阁大模型实验室发布的Nanbeige4-3B只有30亿参数。公开介绍没有把重点只放在模型大小上，而是强调数据筛选体系和训练方法。
这条信息值得重视。它说明特定任务的表现不只由参数量决定，数据怎么挑、错误样本怎么处理，同样会改变结果。但它还不能证明Nanbeige4-3B已经追平千亿或万亿参数模型。
真要比较，至少应锁定同一测试集、同一套提示词，保留重复运行记录，并公开分析错误样本。VibeThinker也应接受同样的检查。现有可引用材料没有给出它的模型卡、测试集和复现实验，因此不能替它补上一个看起来漂亮的准确率，更不能直接写成“与万亿模型打平”。
SFT和GRPO教得会流程，补不齐所有知识
在垂直任务里，SFT可以把输出格式、判断步骤和标注样本教给模型。GRPO则比较同一问题下的多组输出，根据相对得分调整策略，反复强化那些可以验证的推理步骤。规则清楚、反馈明确的任务，确实更容易从这类训练中获益。
合同审查就是一个典型例子。任务可以拆成主体提取、违约责任定位、管辖权冲突检查，模型只需沿着固定步骤完成判断。问题一旦扩展到历史法规沿革或跨法域解释，3B模型的知识容量就会受到考验。
医疗场景也一样。A → 排除B → 检查C药物 → 评估D副作用是一条可以训练的流程，但罕见病知识和最新用药信息不能只靠流程记忆。检索库、规则系统和专业人员复核仍然要在场。
流程可以练熟，知识却不会自动保持最新。
法律和医疗，最怕平均分遮住漏检
高风险任务只报平均准确率，意义有限。合同审查至少要把条款抽取、风险识别和依据引用分开测试，并单独统计严重条款的漏检情况。普通格式错误和关键责任遗漏，不该被记成同一种错误。
医疗分诊还要追问三个问题：高风险病例能否及时转交人工，建议是否附带依据，知识更新是否可以追踪。小模型可以承担首轮整理和固定流程检查，但不应直接替代律师或医生作出最终判断。
越想让3B模型承担高风险工作，外部知识库、规则系统和人工复核越不能省。
模型文件装得下，不代表设备跑得稳
1B到14B的SLM可以进入手机、笔记本和边缘设备，但“能运行”只是第一关。即使采用4-bit量化，实际资源占用仍会受到上下文长度、KV Cache和运行时框架影响。
首字延迟、持续吞吐、峰值内存、发热和降频，都要放到真实终端上测。只看模型文件大小或榜单成绩，无法判断设备能否长期稳定工作。
私有化也不会让成本消失。关于Fine-Tuning SLM的分析提到，高质量数据仍需整理和标注，训练也离不开GPU或云端算力。部署SLM，更像是把部分API支出转移到数据准备、微调、评测和后续维护。
国信证券2026年4月17日的专题报告把Agent驱动MaaS收入增长列为核心议题。云端通用模型和本地SLM未必互相取代：低频、需求波动大的任务，私有化不一定划算；高频、规则稳定、数据敏感的任务，更有机会摊薄前期投入。
选3B还是云端模型，先算三本账
| 要算的账 | 先问什么 | 可以怎么选 |
|---|---|---|
| 任务账 | 输入输出是否稳定，能否准备足够的标注和错误样本 | 边界清楚时，可从3B至7B模型开始测试 |
| 风险账 | 一次漏检会造成什么后果，是否允许人工复核 | 高风险任务必须加入检索、规则和人工兜底 |
| 硬件账 | 目标设备能否长期运行，延迟和温度是否可接受 | 必须在真实终端测试，不能只看榜单 |
跨领域问答、长链路规划，以及缺少微调数据的零样本任务，通用大模型通常仍是更稳妥的候选。生产系统也不必二选一：本地SLM处理高频、固定的工作，遇到低置信度或跨领域请求，再交给云端模型。
2026年更稳妥的判断是：3B级模型已经能参加部分垂直项目的选型，但还没有证据证明它普遍追平千亿、万亿参数模型。Nanbeige4-3B和VibeThinker能不能接手具体业务，要看同一测试集、同一硬件和公开错误样本。参数量仍是成本与容量的线索，真正决定上线与否的，还是任务结果。