编者按： 如果你正在为边缘计算、本地部署或资源受限场景寻找高效的语言模型解决方案，你是否曾困惑：在众多小型语言模型（SLM）中，哪一个才是微调的最佳起点？是否真的存在”小而强”的模型，能在微调后媲美甚至超越规模大数十倍的教师模型？
近期，distil labs 团队进行了一项严谨的基准研究，或许能为你提供数据驱动的答案。他们在 8 类任务（涵盖分类、信息抽取、开卷与闭卷问答）上，对 12 个主流小型模型（包括 Qwen3、Llama、Gemma、Granite、SmolLM 等系列）进行了统一微调与评估，并对比了其与 120B 参数教师模型（GPT-OSS-120B）的性能差异。
作者 | Distil Labs
编译 | 岳扬
01 TL;DR
经过微调的小型语言模型（SLM）可以胜过规模大得多的模型：微调后的 Qwen3-4B 在 8 项基准测试中的 7 项上表现能够超越或战平 GPT-OSS-120B（一个比它模型规模大 30 倍的教师模型），剩下的一项差距也不到 3 个百分点。在 SQuAD 2.0 数据集上，微调后的学生模型甚至比教师模型高出 19 分。这意味着你只需极低的成本，就能在自己的硬件上实现前沿模型级别的准确率。
微调后性能最佳的模型：Qwen3 系列模型在微调后始终表现最强，其中 4B 版本整体表现最优。如果你的目标是在特定任务上获得最高准确率，Qwen3-4B 就是你的首选。
最具可微调性（🐟-ble）（微调收益最大）：小型模型从微调中获得的提升远超大型模型。 如果你受限于使用非常小的模型（1B–3B），也不必担心 —— 它们能从微调中获益最多，能够大幅缩小与更大模型之间的性能差距。
02 引言
如果你正在构建需要在设备端、本地或边缘侧运行的 AI 应用，你很可能问过自己：我该微调哪个小型语言模型（SLM）？目前 SLM 领域选择众多（Qwen、Llama、Gemma、Granite、SmolLM），每个系列都提供多种模型规模的版本。选错基础模型可能意味着有数周时间在浪费计算资源，或者得到的模型始终无法达到生产质量要求。
我们进行了一项系统的基准测试，用数据来回答这个问题。借助 distil labs 平台，我们在 8 个不同的任务上（分类、信息抽取、开卷问答、闭卷问答）微调了 12 个模型，然后将它们的性能相互比较，并与用于生成合成训练数据的教师大模型进行对比。
本文回答了四个实际问题：
- 哪个模型在微调后效果最好？
- 哪个模型最具可微调性？（即微调后提升最大）
- 哪个模型的基础性能最强？（即未经微调前）
- 我们表现最好的学生模型，真的能媲美教师模型吗？
03 实验方法
我们评估了以下模型：
- Qwen3 系列：Qwen3-8B、Qwen3-4B-Instruct-2507、Qwen3-1.7B、Qwen3-0.6B。注意，我们关闭了该系列的”thinking”功能，以保证实验的公平。
- Llama 系列：Llama-3.1-8B-Instruct、Llama-3.2-3B-Instruct、Llama-3.2-1B-Instruct
- SmolLM2 系列：SmolLM2-1.7B-Instruct、SmolLM2-135M-Instruct
- Gemma 系列：gemma-3-1b-it、gemma-3-270m-it
- Granite：granite-3.3-8b-instruct
针对每个模型，我们测量了：
- Base score：仅使用提示词（prompting）的小样本（few-shot）场景下的性能
- Finetuned score：在由我们的教师模型（GPT-OSS 120B）生成的合成数据上微调后的性能
我们的 8 项基准测试涵盖分类 （TREC、Banking77、Ecommerce、Mental Health）、文档理解 （docs）以及问答任务（HotpotQA、Roman Empire QA、SQuAD 2.0）。
为了实现公平测量，我们分别计算了每个模型在各个基准测试上的排名，然后计算所有任务上的平均排名，并以 95% 置信区间作为误差棒（error bars）绘制在图中。平均排名越低，表示整体性能越好。
04 问题一：哪个模型在微调后效果最好？
冠军：Qwen3-4B-Instruct-2507（平均排名：2.25）
Qwen3 系列占据了排行榜前列，其中 Qwen3-4B-Instruct-2507 摘得桂冠。值得注意的是，这款 4B 模型的表现甚至超过了更大的 Qwen3-8B，这表明在蒸馏任务中，Qwen3 的较新版本（2025 年 7 月 25 日更新的版本）比之前的 8B SLM 效果更好。
核心结论：如果你希望获得效果最好的微调模型，并且拥有支持约 4B 参数规模模型微调的 GPU 显存，那么 Qwen3-4B-Instruct-2507 是你的首选。
05 问题二：哪个模型最具可微调性？（即微调后提升最大）
冠军: Llama-3.2-1B-Instruct（平均排名：3.44）
这里我们测量的是可微调性（tunability） —— 即从基础性能到微调后性能的提升幅度（finetuned_score – base_score）。一个高度可微调的模型初始表现可能较弱，但经过微调后提升显著。
有趣的是，可微调性排名与模型大小的排序正好相反。像 Llama-3.2-1B 和 Qwen3-0.6B 这样的小型模型，从微调中获得的提升最大。而规模最大的模型（如 Qwen3-8B、granite-3.3-8b）在可微调性排名中接近垫底 —— 这并非因为它们表现差，而是因为它们起点相对较高，进步空间相对有限。
核心结论：如果你受限于使用极小的模型（<2B 参数），不必灰心。这些模型从微调中获益最大，并且能够显著缩小与更大模型之间的性能差距。
06 问题三：哪个模型的基础性能最强？（即未经微调前）
冠军: Qwen3-8B (平均排名: 1.75)
在未经任何微调的情况下，哪个模型开箱即用的表现最好？
正如预期，基础性能与模型大小呈正相关。8B 模型占据了榜首位置，其中 Qwen3-8B 在所有基准测试中都展现出非常稳定的性能（标准差最低）。
核心结论：如果你需要在不进行微调的情况下在零样本/小样本场景下也获得较优的性能，大模型仍是你的最佳选择。但请记住 —— 经过微调后，这种优势会减弱。
07 问题四：我们表现最好的学生模型，真的能媲美教师模型吗？
是的。Qwen3-4B-Instruct-2507 在 8 项基准测试中的 7 项上达到或超越了教师模型。
经过微调的 4B 学生模型在 6 项基准测试上超越了 120B+ 参数的教师模型，在 1 项（HotpotQA）上持平，仅在 1 项（Banking77）上略微落后（差距在误差范围内）。提升最显著的是 SQuAD 2.0 闭卷问答任务，学生模型比教师模型高出 19 个百分点 —— 这充分证明，微调比单纯依赖提示词（prompting）能更有效地将领域知识注入模型。
核心结论：一个经过适当微调的 4B 参数模型，可以媲美甚至超越规模达其 30 倍的模型。这意味着推理成本可降低约 30 倍，并且能够完全在本地部署运行。
08 实用建议
基于我们的基准测试结果，以下是选择基础模型的建议：
09 后续我们将进行的工作
本次基准测试只是一个起点，我们正在积极努力让这些结果更加可靠：
- 评估更多模型：SLM 领域发展迅速。我们计划在 Qwen3.5、Phi-4 和 Mistral 系列等新模型版本发布后及时纳入评测。
- 增加运行轮次：目前我们的结果基于有限次数的运行取平均。我们将为每项基准测试增加更多运行轮次，以缩小置信区间，确保排名具有统计可靠性。
- 扩展基准测试覆盖范围：我们希望纳入更多任务类型，如文本摘要、代码生成和多轮对话，从而更全面地反映模型能力。
10 训练细节
每个模型都在使用我们蒸馏流程生成的合成数据进行微调（有关数据合成过程的详细信息，请参见《Small Expert Agents from 10 Examples》[1]）。针对每个基准测试，我们使用教师模型（GPTOss-120B）生成了 10,000 条训练样本。
微调采用 distil labs 的默认配置[2]：训练 4 个 epoch，学习率 5e-5，使用线性学习率调度器，以及 rank 为 64 的 LoRA。
所有模型均使用完全相同的超参数进行训练。评估在训练和合成数据生成过程中均未接触过的预留测试集上进行。
11 结论
并非所有小型模型的性能都差不多，但经过微调后，它们之间的差距会大幅缩小。我们的基准测试表明，Qwen3-4B-Instruct-2507 在整体微调性能上表现最佳，不仅能媲美 120B+ 参数的教师模型，还能在单块消费级 GPU 上部署运行。在资源极度受限的环境中，像 Llama-3.2-1B 这样的小模型展现出卓越的可微调性，能够大幅缩小与大模型的性能差距。
核心结论：微调比基础模型的选择更重要。一个经过良好微调的 1B 模型，可以胜过仅靠提示词（prompting）驱动的 8B 模型。
END
本期互动内容 🍻
❓你在微调小型语言模型时，最看重的是”开箱即用的强基础能力”，还是”微调后巨大的提升空间”？为什么？
文中链接
[1]https://www.distillabs.ai/blog/small-expert-agents-from-10-examples
[2]https://docs.distillabs.ai/how-to/input-preparation/config
原文链接：
</div>
