LeCun 團隊新成果：訓練方法勝堆參數

660 倍差距的對比

該研究的核心對比實驗，以一個僅 1.09 億參數的小模型，對上 720 億參數的 Qwen2.5，參數量相差約 660 倍。研究稱，在跨模態表徵對齊這項任務上，小模型的表現反而更佳。此項結果由研究團隊主張提出，一旦屬實，將對「模型必須做大才有效」的行業共識構成直接衝擊。

樣本量降至 1/42

論文的另一發現涉及訓練效率：研究稱，當改換一套訓練方法後，模型達到同等效果所需的訓練樣本量，可大幅降至原先的 1/42，即在更少數據下達到相近表現。對長期「卷參數、卷數據」的大模型廠商而言，這意味著演算法與訓練策略的選擇，可能比單純擴大規模更具決定性。

LeCun 立場獲支撐

這項結果與 LeCun 多年來的主張互相呼應：他一直認為大語言模型固然強大，但主要依賴統計模式，並非理解世界的最佳路徑。論文以理論與實驗為這類觀點提供新依據，結論直指訓練方式的選擇可能比擴大規模更為關鍵；不過相關結果仍屬團隊主張，通用性有待更多任務驗證。

對業界的啟示

若結果獲進一步驗證，對業界的影響不容小覷：投入巨資堆參數與數據的路線可能面臨重新評估，而演算法層面的創新或成為更划算的競爭手段。當然，跨模態表徵對齊任務與通用能力仍有距離，小模型能否在更廣泛任務上複製優勢，仍是後續觀察重點。