一句话定义
微型专能模型（Tiny Task-Specific Model）指的是体积只有几 MB 到几十 MB 量级、只为一个固定任务训练的模型——它不追求什么都懂，只求在那一件事上做得又快又稳。
为什么“小”也能逼近大模型
关键不在参数量，而在任务本身有多难。
大模型之所以大，是因为它要同时容纳翻译、写代码、算术、闲聊、常识……参数里必须为这些能力都留出空间。而单一任务的输入分布很窄、输出空间很小：比如“把一句话解析成结构化参数”“判断这段音频里有没有出现唤醒词”“看这一帧图像里有没有目标物”。这类问题的决策边界，用一个很浅的映射就能刻画。
打比方：大模型像一位随身全科医生，什么病都能看一眼；微型专能模型像一台电子血压计——只会量血压，但量得又快又准，还只要一节电池。你不会指望血压计给你看感冒，但也没必要为了量血压去挂专家号。
另一个优势来自部署环境。无人机、耳机、手表、摄像头的算力和功耗都卡得很死，模型必须常驻内存、离线运行、延迟以毫秒计。一个几十 MB 的模型能长期待在设备里，大模型即使做压缩也很难塞进这些地方。把任务限定死、把输入输出格式固定，是换取这种“随时在线”的代价。
和三个相邻概念的区别
| 概念 | 做法 | 结果 |
|---|---|---|
| 微型专能模型 | 为单一任务重新设计并训练 | 该任务上很强，资源占用极低，换任务基本要重训 |
| 量化（AI 词典：Quantization">Quantization） | 把已有大模型权重压到更低位宽 | 同一个模型更小更快，能力略有损失，仍是通才 |
| 蒸馏（Distillation） | 用大模型当老师，教一个小模型 | 把通用能力搬进小模型，通常仍能做多任务 |
| 小模型档通用模型 | 通用预训练 + 对齐，天生规模就小 | 什么都会一点，什么都不精 |
一句话总结：量化是“把大模型压小”，蒸馏是“把大模型的本事教给小学生”，小模型档是“天生个子小的通才”，而微型专能模型是“只练一个动作的专业运动员”。
适用边界
适合：输出格式固定、对错标准明确、调用次数极多的任务。意图分类、槽位抽取、关键词检测、语音唤醒、传感器信号判别、边缘设备上的固定目标检测，都属于这一类。
不适合：开放式生成、需要多步推理、输入分布经常变化、任务定义本身还在摇摆的场景。它的最大代价是“僵”——任务一变形，就得重新采数据、重新训练。
对从业者和普通人的意义
对从业者：先问“输入是什么、输出必须是什么、错一次代价多大”，再决定模型大小。很多被默认丢给大模型的活儿，其实几 MB 的模型加一份干净的数据就能在端侧稳定跑起来，延迟、成本、隐私三头都受益。
对普通人：手机上那些“秒回、离线也能用”的小功能，很可能就是这类模型在干活。它不显眼，但你天天在碰。
具体某个模型的体积、能力和授权范围，以官方页面为准。