150m

general · 首次出现 2026-06-12 · 最近出现 2026-11-16 · 累计提及 9

综述

150m 通常指 1.5 亿(150 Million)参数规模的模型,在 AI 社区里是一类以轻量化为卖点的模型量级,常出现在开源语言模型、视觉模型的命名或基准比较中。它的定位很明确:在消费级硬件(尤其是 CPU 或低端 GPU)上可以本地运行,是“端侧推理”和“小型模型”讨论中的常见基准尺寸。

150M 模型的近期进展

  • Daedalus-150M:专为CPU推理设计的卷积-注意力混合模型 提出了一个 150M 参数规模的混合架构,用卷积层与注意力层结合来降低推理开销,目标是在不依赖 GPU 的情况下获得可用的生成质量。
  • BDH-CQ:结合上下文学习与循环潜在推理的新模型 探索了小型参数量下通过循环潜在推理提升能力上限的路径,说明小模型研究正在从单纯压缩转向架构创新。
  • LingBot-Vision 和 LingBot-Depth 2.0 开源发布,深度估计大幅提升 显示轻量视觉模型也在持续开源迭代,端侧视觉任务同样受益于小参数量设计。
  • 当前焦点与观察点

    150M 量级模型的核心争议在于能力边界:支持者认为在明确任务(分类、检索、端侧助手)上它已足够实用,且部署成本极低;批评者则指出在复杂推理和多轮对话上与数十亿参数模型差距明显,实际收益可能被夸大。值得注意的是,两条

    相关报道

    10 条在档