OpenClaw通过Claude Code CLI绕过API限制，实现任务分发。小型模型处理简单任务，大型模型负责复杂工作。这种架构降低了成本，但缺乏上下文理解，不适合全能管家角色。

微软的Phi-4推理模型探索小型模型在低计算成本下与大型AI模型的竞争能力。该模型结合文本和图像处理，注重高质量数据和高效训练，旨在提升推理能力，而非单纯追求模型规模。

阿里巴巴通义千问团队推出适合边缘设备的小型模型，参数范围从0.8B到9B，强调以少量算力实现高智能。新模型在架构和数据质量上进行了优化，未来将推出更小的基础模型。

Cadmus系统研究小型模型在真实程序完成中的潜力，包含整数虚拟机和多样化任务的数据集。该系统以低成本进行训练，适用于程序完成和推理等研究。Cadmus模型在简单整数算术任务上超越GPT-5，显示出小模型在复杂推理中的优势，避免了大模型的未知偏差。

Matan-Paul Shetrit强调，使用AI的责任在于用户而非AI。尽管AI生成内容，最终责任仍在于人类。他指出小型专用AI模型在降低成本、提高准确性和速度方面的重要性。

Jade Abbott是Lelapa AI的CTO，专注于非洲语言AI。她指出非洲有2000多种语言，许多人不讲英语，并面临电力不足和数据中心匮乏的问题。她强调可持续性的重要性，呼吁开发小型高效模型，以满足当地需求，促进语言多样性和公平性。

Anthropic发布了Claude Haiku 4.5，定位为小型快速模型，性能与Claude Sonnet 4相当，但成本仅为其三分之一，速度超过两倍。该模型具备混合推理能力，支持快速回答和扩展思考，用户可查看推理过程。经过多种数据清洗和过滤训练，确保安全性和准确性，开发者可通过多个平台访问该模型。

朱利安·威尔基森-杜兰创建了开源机器学习库AsterMind-ELM，旨在将机器学习引入浏览器。他认为前端无需庞大的参数和内存即可实现实用功能。该库使用JavaScript编写，支持快速训练和实时应用，适合开发者在浏览器中创建小型模型。

大型语言模型（LLM）不适合所有企业需求，企业更需要可定制的小型模型。小型模型成本效益高，能够访问私有数据，并可作为工作流的“构建块”。InstructLab项目通过合成数据生成和简单命令，帮助企业训练小型模型，并支持开源以避免知识产权问题。

下一波 AI 创新将集中在小型模型的端侧应用。高通的 AI 白皮书指出，端侧小模型在性能、数据安全和应用多样性方面具有优势。技术进步推动小模型快速发展，成为企业和开发者的首选，尤其在手机等终端上表现突出。高通通过高效的芯片和软件支持，引领端侧 AI 变革，未来将推动更多行业应用。

DeepSeek-V3和R1标志着AI行业向小型、特定任务的开源模型转变，促进边缘设备创新。小型模型在数据隐私和实时决策中具优势，优化基础模型可提升边缘计算效率。尽管面临挑战，DeepSeek的技术进步为云-边缘混合部署提供了可能，推动AIoT发展。

开源人工智能正在快速发展，全球开发者利用开源模型构建定制解决方案。调查显示，许多企业尝试使用开源AI模型，尤其是小型模型在特定任务中表现优异。开源模型提供更大的灵活性和可定制性，但定制解决方案需要更多资源。未来，开发者可能会结合多种小型模型以完成不同任务。

大型语言模型（LLM）在对话代理和内容创建中至关重要，但训练成本高。谷歌研究院提出SALT方法，通过小型模型（SLM）辅助LLM训练，降低计算需求28%，提升模型质量。SALT采用两阶段流程，初期利用SLM指导LLM，后期进行自监督学习，确保LLM专注于高价值数据，为资源有限的机构提供新的训练思路。