什么是模型参数量？7B 和 70B 差在哪里

模型参数量指模型内部可调节权重的总数，7B 表示约七十亿个参数，70B 表示约七百亿个参数。参数是大模型学到的「知识载体」，数量越多通常能力上限越高，但代价是更大的显存占用和更慢的推理。看懂这个指标，选模型、读发布新闻时就有了一把尺子。

参数量数的是什么

大模型本质上是一张巨大的数字表格，训练过程就是反复调整表中每个数值，让模型的预测越来越准，这些数值就是参数。参数量的单位 B 是英文 billion 的缩写，代表十亿，所以 7B 是七十亿、70B 是七百亿，后者是前者的十倍。要分清的是，参数量描述的是模型的容量，并不直接等于回答质量，训练数据和对齐方法同样影响最终表现。

7B 与 70B 的实际差距

差距集中在三处。第一是知识储备：更大的参数规模能容纳更多知识表达，面对冷门问题时往往答得更稳。第二是复杂推理：多步数学推导、长逻辑链这类任务，更大模型通常错误更少。第三是运行成本：70B 级别的模型一般需要数据中心级显卡才能流畅运行，7B 级别经过量化压缩后，一张消费级显卡甚至高性能笔记本就有机会带动。同一块显卡上，跑 7B 的响应速度也会明显快于跑 70B。

参数量不等于能力上限

近年流行的混合专家结构（MoE）改变了这个话题：模型总参数量很大，但每次推理只激活其中一小部分。以 DeepSeek 为例，其公开资料显示部分模型采用这类设计，总参数与激活参数是两个数字，读新闻时不要混为一谈。另外，训练数据的质量、数量以及训练方法的差异，会让相同参数规模的模型表现拉开明显差距。所以参数量只是第一层筛子，具体能力差异以官方技术报告为准，也建议实际试用后再下判断。

按设备与任务选参数规模

选择时可以按两步走。先看任务难度：日常问答、翻译、摘要、改写这类任务，中小参数规模的模型已经够用；涉及长链条推理、代码分析、专业领域判断，再考虑更大的模型。再看运行环境：想在本地跑，优先选 7B 上下、经过量化的版本，并确认显存是否够用；如果直接用网页或 App 服务，参数规模由服务商处理，你只需要关注回答质量、响应速度和费用。

读新闻时怎么用参数量

看到新模型发布，除了参数量本身，还应关注激活参数、上下文长度、评测成绩和许可条款这几个信息位。参数量惊人的标题，可能对应一个每次只激活一小部分的模型，实际成本远低于直觉；参数量不大的模型，也可能靠数据质量取胜。把参数量放进完整信息里看，才不会被标题带着走。顺便留意发布方有没有公开激活参数与推理成本，这两个数字比总参数量更能预测实际体验。把这几个数字抄进自己的对比表，下次新模型发布时更新一行，积累几轮后趋势一目了然。

延伸阅读：参数多就更聪明吗、MoE 架构为什么流行、量化是怎么压缩模型的。

读发布新闻的四个信息位

• 总参数与激活参数分开看
• 上下文长度决定能装多少材料
• 评测成绩先看考的是哪类题
• 许可条款决定能不能商用

最常被略过的是激活参数，它直接改写你对成本的判断。

参数量最容易被问住的三处

• 参数量翻倍，效果也跟着翻倍吗？：不会。参数量提升带来的是能力台阶，而不是线性增长，还要看数据与方法是否配合，单看参数没法预测效果。
• 为什么有时小模型比大模型答得好？：可能是训练数据更干净、任务恰好落在它的专长范围。单次对比不能定胜负，多换几类任务再下结论。
• 量化压缩会让模型明显变笨吗？：合理的量化损失通常有限，压缩过猛时质量会下滑。选择版本时可以参考社区实测反馈，以官方最新版本为准。