AI & Enterprise

Rabbleup研究员：智能体普及将推动多模型协同，小型模型使用占比上升

Rabbleup研究员Lee Junbeom表示，在生成式AI服务中，不同规模模型分工协作已成为常态。检索、信息收集、摘要等任务通常由小型模型完成，关键判断和内容生成则由前沿大模型负责。随着智能体应用加快普及，模型调用频率持续上升，推理成本压力也随之加大，多模型协同和小型模型的应用比重预计将进一步提高。

AI & Enterprise

Z.ai创始人Jie Tang：不能只盯参数量，推理成本正在重塑AI模型Scaling Law

清华大学教授、Z.ai创始人Jie Tang表示，衡量AI模型性能不能只看参数规模，还需同时考虑数据量、算力分配及实际运行方式。随着模型调用频次持续攀升，生命周期总成本的重心正从训练转向推理，这也使“更小模型、训练更久”成为更具吸引力的路线。Jie Tang还指出，MoE架构下，Chinchilla提出的“20:1”配比已不再普适；Z.ai最新公开的GLM-5.3也显示，仅在后训练阶段加码，仍能带来明确提升。