ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">因为最新在做一些数据清洗方面的处理，而且目前很多白嫖的API都有速率限制，所以就想着机子上部署一个小模型来试试。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">很多人会感觉这么小的参数有什么用？效果一定很差，根本不会考虑去使用到这些小参数的模型。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">虽然现在模型是出的越来越大了，动辄就是几百上千亿的参数，本地部署基本无望，但是杀鸡也不需要用牛刀，在综合了多方面的考虑，最终尝试用Qwen3-0.6B，虽然参数量小，但该有的功能都有，而且对硬件资源消耗不大，哪怕没有显卡，一般笔记本都能流畅快速跑起来，确实非常适合在某些对语义理解要求不是特别高的场合应用。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;font-size: 20px;border-left: 4px solid rgb(30, 136, 229);border-radius: 0px 4px 4px 0px;color: rgb(30, 136, 229);font-weight: bold;box-shadow: rgba(0, 0, 0, 0.03) 0px 1px 3px;">部署ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">直接使用Ollama来部署就好了，可以看到Qwen3-0.6B只有500M左右，资源占用小ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;font-size: 20px;border-left: 4px solid rgb(30, 136, 229);border-radius: 0px 4px 4px 0px;color: rgb(30, 136, 229);font-weight: bold;box-shadow: rgba(0, 0, 0, 0.03) 0px 1px 3px;">使用ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">分别测试在不同任务中的实际应用和效果。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-size: 16px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;line-height: 1.7;">
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei", sans-serif;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: white;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;font-size: 18px;border-left: 3px solid rgb(156, 39, 176);border-radius: 0px 3px 3px 0px;color: rgb(156, 39, 176);font-weight: bold;">文本分类| Markdown | 请判断以下邮件是否为垃圾邮件，仅回答“是”或“否”： “恭喜您中奖！点击链接领取100万现金，链接：http://xxx.com” |
小模型推理速度极快（单条响应<100ms），适合部署在邮件服务器或客户端实时过滤垃圾邮件。相比大模型，无需高算力设备，可直接在边缘设备（如路由器、IoT网关）运行，降低云端依赖。
电商评论情感分析| Markdown | 分析以下评论的情感倾向（正面/中性/负面），直接输出分类结果： “屏幕显示效果很棒，但电池续航太差，用一天就得充两次电。” |
小模型在情感分析任务中准确率可达 90%+，响应时间仅需几十毫秒。适合电商网站实时分析用户评论，快速反馈给运营团队，且单台服务器可同时处理数千条并发请求。
订单信息结构化提取| Markdown | 将以下订单信息转换为JSON格式，保留原始数据字段： 客户姓名：张三，订单号：20231015-001，产品：无线耳机，数量：2，收货地址：北京市朝阳区XX路100号 |
小模型对结构化数据转换任务效率极高，适合订单系统、物流管理等场景。单次处理耗时仅需 20ms，且无需复杂训练，通过少量示例即可快速适配业务需求。
多语言文档关键信息检索| Markdo | 从以下文档中提取所有与“气候变化”相关的事实性信息，用中文简要总结： “全球变暖导致极端天气频发。根据IPCC报告，2023年全球平均气温比工业化前高1.2℃。科学家指出，若升温超过1.5℃，将引发不可逆生态灾难。” |
在MTEB Multilingual基准测试中，Qwen3-0.6B得分 64.64 分，超越部分更大规模模型。适合跨国企业多语言文档处理，单设备可同时处理数十个语言任务，资源消耗仅为大模型的 1/10。
工具调用虽然这个模型参数很小，但是也能够支持本地tools调用，当然MCP也是支持的 使用Cherry Studio内置的搜索功能，用的是必应搜索，查了都是英文网站，所以返回的都是英文，没有自动转换为中文输出，不过软件中也支持直接翻译。 最佳实践以下是官方对于这个模型的最佳性能推荐配置
采样参数对于思考模式（enable_thinking=True），使用Temperature=0.6，TopP=0.95，TopK=20，以及MinP=0。不要使用贪婪解码，因为它可能导致性能下降和无尽重复。 对于非思考模式（enable_thinking=False），我们建议使用Temperature=0.7，TopP=0.8，TopK=20，以及MinP=0。 于支持的框架，您可以在0到2之间调整presence_penalty参数以减少无尽重复。但是，使用较高的值偶尔会导致语言混杂并轻微降低模型性能。
充足的输出长度对于大多数查询，我们建议使用 32,768 个令牌的输出长度。对于高度复杂的基准测试问题，如数学和编程竞赛中发现的问题，我们建议将最大输出长度设置为 38,912 个令牌。这为模型提供了足够的空间来生成详细而全面的回答，从而提高其整体性能。
标准化输出格式- 数学问题在提示中包含“请逐步推理，并将最终答案放在 \boxed{} 内。”
- 选择题向提示中添加以下 JSON 结构以标准化回答：“请在
answer字段中仅显示选项字母，例如，"answer": "C"。”
历史记录中不包含思考内容在多轮对话中，历史模型输出应仅包括最终输出部分，不需要包含思考内容。这已在提供的Jinja2聊天模板中实现。然而，对于不直接使用Jinja2聊天模板的框架，开发者需要确保遵循最佳实践。
总结这种小模型的优势： - 资源占用极低仅需1GB内存即可运行，普通手机或嵌入式设备即可部署。
- 高并发处理单台服务器可支撑数千QPS（每秒查询数），适合高频轻量任务。
- 微调成本低仅需10分钟微调即可适配特定领域（如医疗问答、法律条款解析），效果接近大模型。
- 实时性要求高对响应速度敏感的场景（如客服机器人、实时翻译），小模型的延迟优势显著。
|
