1. 参数与比特选择
在小模型设计中，首先需要在低比特高参数与高比特低参数之间进行权衡。我们提出的指导原则是：
- 优先选择低比特高参数的方案。
- 原因在于：低比特表示能够显著降低存储与计算成本，而高参数量则保证了模型的表达能力与容量。
- 这种组合在资源受限的环境下能够实现更优的性能与效率平衡。
训练方法补充
在采用低比特高参数的方案时，训练过程可分为两个阶段：
- 初始训练阶段：使用 FP16 精度训练原始模型，以保证训练过程的稳定性和收敛性。
- 量化阶段：在模型训练完成后，采用 1 比特或亚比特量化方法，将模型参数压缩到极低比特表示，从而进一步降低存储和推理成本。
这种“先 FP16 训练，再低比特量化”的流程，既能保持模型的表达能力，又能在部署时实现高效运行。
2. 架构优化与方法改进
小模型的性能不仅依赖参数规模，还依赖架构与训练方法的优化：
- 架构优化：通过轻量化设计、模块化结构、剪枝与蒸馏等方法提升效率。
- 辅助工具：为模型配备外部工具，如搜索引擎、知识库、符号推理器，以弥补小模型自身的局限。
- 确定性算法：在推理过程中引入确定性算法，减少随机性，提高结果的稳定性与可解释性。
3. 任务分解驱动
我们提出一种任务分解驱动的执行流程，使小模型能够在复杂任务中保持高效：
- 任务判定：模型首先判断当前任务是否能够直接解决。
- 分解机制：若不能解决，则将任务分解为若干子任务。
- 逐步解决：依次解决每个子任务；若某个子任务仍无法解决，则继续分解。
- 知识获取：在解决每个子任务之前，模型先联网搜索或查找知识库，以获取必要的外部信息。
- 结果整合：在所有子任务完成后，模型将结果进行整合，输出最终答案。
