这种速度的提升也模仿了人类的对话速度，并且对于客户支持等需要自然对话的用例很有帮助。
2.特定领域的知识——虽然百科全书涵盖的知识范围更广，但它并不适合学习特定主题或领域。LLM
也存在同样的问题。虽然它们经过大量数据的训练，但缺乏可用于回答特定问题的领域特定知识。相比之下，SLM 可以训练为特定领域，并且一些专门的模型（如FinGPT）就是为提供领域特定知识而构建的。
3.隐私优先——LLM的计算成本很高，除非您拥有 沙特电话 运行它们的特定数据基础设施，否则需要将数据外包给云提供商。此外，最初有人担心知名公司可能会如何使用用户提供的数据进行培训。SLM
可以在更小的基础设施和现场运行。这对于必须优先考虑数据保护的敏感情况非常有用。
测量 SLM 的性能
在最近的一篇研究论文中，科学家量化了过去几年SLM的改进方式：
1. 从 2022 年到 2024 年，SLM 成绩提高了 13.5%，而 LLM 成绩提高了 7.5%。
2. 微软的 Phi-3 和 Qwen 2.5 等最新 SLM 性能优于开源 Llama 3.1 7 B 型号，在同类产品中表现出最佳尺寸性能。
3. 在小模型中，参数大小通常决定了聊天机器人的 这两个涉及 ai 助手和协作 准确率。然而，像 Qwen 2 这样拥有 1.5 B 参数的小模型在特定任务中表现出色。
4. 这些 SLM 在运行时使用的内存要少得多，展示了它们在日常使用的设备上运行的能力。
5.在高质量数据集上训练的 SLM 可以在特定环境中胜过 LLM。
这些见解展示了 SLM 的改进，对于希望将其 俄罗斯号码列表 用于客 我们使用三种主要的户服务运营的企业来说非常有用。事实上，我们在 Kommunicate 已经整合了三种最先进的 (SOTA) SLM，您现在就可以试用。
客户服务聊天机器人的三个 SLM
在 Kommunicate，您可以连接来自 Google、Amazon、IBM 和其他大公司的各种 AI 模型。我们完全不依赖 AI。
4.准确性——虽然有一种流行的理论认为 LLM 比 SLM 更准确，但最近的研究对此提出了质疑。根据最新研究，LLM 的规模越大，其可靠性就越低，而且很难回答更直接的问题。
现在，考虑到大多数客户支持问题确实很简单。你就会明白为什么像 Kommunicate 这样的公司更喜欢 Claude Haiku 这样的小型模型，而不是 Claude Opus 或 Sonnet。
以上就是在任务方面将 SLM 视为优于 LLM 的四个主要原因。通过比较这些 SLM 与其 LLM 同行的表现，可以进一步证明这一点。