LLM 和小型語言模型 SLM 差在哪？
最大差別是規模：LLM 參數動輒數千億以上、能力全面但需要大量運算；SLM 參數約數百萬到數十億，能力較專注，但更省資源、回應更快，可在手機或筆電上執行。
比較表
| 比較項目 | LLM（大型語言模型） | SLM（小型語言模型） |
|---|---|---|
| 參數規模 | 數千億甚至上兆 | 數百萬到數十億 |
| 執行環境 | 多在雲端資料中心 | 可在手機、筆電、本地伺服器 |
| 能力範圍 | 知識廣、擅長複雜推理 | 較專注，複雜任務表現較弱 |
| 回應速度與成本 | 延遲較高、費用較高 | 延遲低、成本低 |
| 資料隱私 | 通常需把資料送到雲端 | 可在本機或內部環境處理 |
這些情況選大型語言模型
- 需要處理開放式、跨領域或高難度推理任務
- 不想自行管理硬體，直接用雲端服務
這些情況選小型語言模型
- 任務明確單一，例如分類、摘要、擷取欄位
- 需要離線運作或資料不能離開公司
常見問題
SLM 的參數要多小才算小型語言模型？
沒有統一標準。IBM 的說法是參數從數百萬到數十億不等，相對於數千億以上的 LLM 而言較小；實務上常指能在單張顯示卡或裝置上執行的模型。
小型語言模型會比較不準確嗎？
在廣泛知識與複雜推理上通常不如 LLM，也同樣可能產生幻覺；但針對特定任務微調後，SLM 在該任務上可以有很好的表現，且成本更低。
名詞解釋
大型語言模型：用大量文字資料訓練、能理解與產生自然語言的超大型 AI 模型，是 ChatGPT 等聊天 AI 的核心。
小型語言模型：參數量較少、可在手機或筆電上執行，專注特定任務的輕量語言模型。
參考來源
查核日期：2026-09-26。API：/api/compare?id=llm-vs-slm