基礎模型與特定任務模型的差異，歸根究柢是廣度與專注之間的取捨。基礎模型用廣泛的資料訓練，可以適配許多任務。特定任務模型只為一項工作而訓練，而且大多數一開始就是一個基礎模型，之後再用這項工作的範例繼續訓練。工作還開放、還在變化，或者用量不大時，基礎模型是更好的選擇。一旦同一項工作大量重複、輸 出可以核對，特定任務模型就會勝出，因為它每項任務的成本更低，也更容易穩定在既定的品質標準上。
本文介紹兩類模型各是什麼、各自在什麼時候勝出、今天就能下載的特定任務模型範例，以及它們與領域專用模型的差異。最後談談我們實驗室的出發點：一家企業的工作可以拆分給多個專用模型，每個只為一項工作訓練，再透過路由組合起來。
什麼是基礎模型？
基礎模型是用廣泛資料訓練、可以適配各種任務的大型模型。這個術語出自 Rishi Bommasani 等人 2021 年在史丹佛基礎模型研究中心（CRFM）發表的報告 "On the Opportunities and Risks of Foundation Models"。報告把這類模型描述為「在大規模的廣泛資料上訓練，並能適配各種下游任務」的模型，當時舉的例子是 BERT、DALL-E 和 GPT-3。如今這個標籤涵蓋 GPT、Claude、Gemini 系列，以及 Llama、Qwen、Gemma 等開放權重模型系列。
適配基礎模型有兩種方式：一是寫提示詞，在每次請求裡放入指令和範例；二是用自己的資料繼續訓練它。同一份報告也點出了其中的隱憂：「基礎模型的缺陷會被下游所有適配模型繼承。」每個建立在基礎模型之上的特定任務模型，都會同時帶著底座的長處和短處出發，所以專用模型需要有自己的評估。
什麼是特定任務模型？
特定任務模型是為一項明確工作而訓練的模型，輸入類型固定，輸出類型也固定。替客服工單分類、從發票中擷取欄位、決定代理該呼叫哪個工具、替搜尋結果排序、針對某個問題摘要一場會議，這些都各是一項任務。因為工作範圍窄，它就有測試集：您可以說清楚正確答案長什麼樣子，並衡量模型給出正確答案的頻率。
如今大多數特定任務模型，是在基礎模型之上用任務範例繼續訓練而來，方法是微調，或者從更大的模型蒸餾。模型大小取決於任務。我們 QMSum 研究中的檢索模型只有 33M 參數，而一項困難的推理任務可能需要大型模型。更貼切的說法是「大小合適」：能守住任務品質標準的最小模型。
| 基礎模型 | 特定任務模型 | |
|---|---|---|
| 訓練資料 | 大規模的廣泛資料 | 單一任務的範例 |
| 能做什麼 | 許多任務，由提示詞引導 | 一項工作，輸入輸出固定 |
| 規模 | 通常很大 | 依任務決定合適大小 |
| 每次請求的提示詞 | 每次都帶指令和範例 | 很短，指令已訓練進模型 |
| 任務上的品質 | 不經任務訓練也不錯 | 由訓練決定，用保留範例核對 |
| 每項任務成本 | 每 token 價格較高，token 較多 | 每 token 價格較低，token 較少 |
| 典型失誤 | 格式漂移、回答冗長 | 遇到所學任務之外的輸入 |
| 最適合 | 開放、多變或用量小的工作 | 穩定、重複 、可核對的工作 |
哪種 AI 系統只能完成特定任務？
特定任務模型，在較早的術語裡稱為弱人工智慧（narrow AI）。IBM 把弱人工智慧描述為「可以被訓練來執行單一或狹窄任務」的 AI，而且無法在其限定任務之外運作。IBM 也認為，如今在用的所有 AI 系統都屬於弱人工智慧，聊天助理也包括在內，所以實際的分界在模型這一層。垃圾郵件過濾器、段落排序模型、內容安全分類器都是為一項工作而建，也只做這一項工作。聊天助理背後的基礎模型，則是提示詞要它做什麼，它就做什麼。
特定任務模型什麼時候勝過基礎模型？
當同一項任務大量重複、輸出可以核對、同樣的指令在每個提示詞裡重複出現時。用量能攤薄建構模型的成本，可核對的輸出提供了訓練所對照的評估，而重複的指令正是訓練能從每次請求中省掉的部分。我們已發表的結果在一項任務上呈現了這個規律。
針對任務訓練，比改進輸入更能提升品質。 在我們的 QMSum 研究 （arXiv 2609.25028）中，任務是依查詢產生會議摘要。我們固定了一個 1.2B 的基礎模型。把會議紀錄開頭的 4,500 個詞換成檢索出的 2,000 個詞，測試集上 ROUGE-1 提高 1.55，驗證集上提高 0.29。再用同樣的檢索片段對它做微調，ROUGE-1 又提高 5.29，95% 信賴區間為 +4.02 到 +6.56。
更小的專用模型守住了標準。 一個用同樣方式訓練的 406M 專用模型，ROUGE-1 為 36.33，我們的 1.2B 系統為 35.41，這個差距在 QMSum 上無法從統計上區分，而它的推論峰值記憶體還不到一半。
在該基準的指標上，專用模型得分高於託管的通用模型。 在同一個簡潔提示詞和以參考文本重疊為準的評分方式下，一個已公開發布的 406M 專用模型，ROUGE-1 比受測的五個專有託管模型中的每一個都高出至少 6.2。論文對這個排序設了限定：託管模型的輸出偏長，而且沒有做人工評估或事實性評估。以上所有結論都只限於 QMSum 和自動指標。
支出集中在可重複的工作上。 根據 OpenRouter 截至 2026 年 10 月 12 日的 30 天公開資料，分類、資訊擷取和格式轉換占了已分類模型支出的 20.8%，每 token 價格是平均水準的 1.50 到 1.84 倍。這類任務的輸出是標籤和結構化紀錄，專用模型可以在上面得到精確的評估。
成本從兩方面下降。特定任務模型的每 token 價格低於它所取代的前沿模型；每項任務需要的 token 也更少，因為每個提示詞裡重複的指令和範例已經訓練進模型本身。第二方面能省多少，取決於每個提示詞裡有多少是重複的固定內容；前沿 API 的提示詞快取本來就替重複上下文打了折，所以請用您自己的流量來衡量。單一任務成本計算器可以替一項 工作負載同時算出這兩個數字。
NVIDIA 的研究人員對代理也提出了同樣的觀點。Peter Belcak 等人在 2025 年的立場論文 "Small Language Models are the Future of Agentic AI" 中指出，在代理應用裡，語言模型「重複執行少量專門任務，變化很小」。他們認為，對代理系統中的許多呼叫來說，小型模型「能力足夠、本質上更合適，而且必然更經濟」。
什麼時候基礎模型是更好的選擇？
當工作是開放的、仍在定義之中，或者用量太小、不值得訓練時。以下四種情況更適合基礎模型：
- 新任務。 寫提示詞是弄清任務需要什麼的最快方法。
- 每次都不一樣的請求， 例如研究、起草和開放式對話。
- 用量小。 每月只有幾千項任務，通常不值得專門建構模型。
- 知識面廣或變化快。 基礎模型搭配檢索，可以涵蓋不斷變化的事實。
專用模型的訓練資料，也正是在寫提示詞的階段累積起來的。記錄提示詞和輸出，修正錯誤的輸出，並保留一組測試集。任務穩定下來之後，這些紀錄就成為訓練資料，保留的測試集就成為專用模型必須達到的標準。我們關於微調是否已死的文章，在提示詞和訓練之間劃出了同樣的界線。
特定任務模型有哪些範例？
公開的特定任務模型有很多。下面列出五個，均於 2026 年 10 月 29 日查閱其模型卡或論文：
| 模型 | 任務 | 基於 |
|---|---|---|
| BART-large-CNN | 新聞摘要 | BART，在 CNN Daily Mail 上微調 |
| ms-marco-MiniLM-L6-v2 | 依查詢替段落排序 | 在 MS MARCO 上訓練的交叉編碼器 |
| Llama Guard 3-1B | 內容安全分類 | Llama 3.2 1B，經過微調 |
| FunctionGemma | 函式呼叫 | Gemma 3 270M |
| QMSum 定位器與摘要器 | 依查詢產生會議摘要 | Ertas 研究模型 |
BART-large-CNN 是在 CNN Daily Mail 上微調過的 BART，這個資料集是「大量文本與摘要配對的集合」。它的模型卡只列出一種預期用途：文本摘要。
ms-marco-MiniLM-L6-v2 接收一個查詢和一個段落，替段落回答該查詢的程度打分，搜尋系統就能據此替結果排序。
Llama Guard 3-1B 用 Meta 自己的話說，是「經過微調、用於內容安全分類的 Llama-3.2-1B 預訓練模型」。它把提示詞或回覆標記為安全或不安全，並列出違反的類別；Meta 設計它的目的之一是降低內容審核的部署成本。
FunctionGemma 處在更早的一步。Google 發布它，是「作為基礎，用來打造您自己的專用函式呼叫模型」。它基於 Gemma 3 270M，「旨在針對您的特定函式呼叫任務進行微調」。它本身就是一個專用底座，供您用自己的工具再做一次專門化。
我們的 QMSum 系統由兩個專用模型組成。一個 33M 的定位器根據問題替會議紀錄的各個視窗打分，一個摘要器再根據得分最高的片段寫出回答。兩者都發布在 Hugging Face 的 ErtasAI 帳戶下。
特定任務模型和領域專用大型語言模型有什麼差異？
領域專用大型語言模型懂一個領域，特定任務模型做一項工作。領域模型學習法律、醫療或金融等領域的術語、事實和慣例，然後服務該領域內的許多任務，從回答問題到起草文件。特定任務模型由一種輸入和一種輸出來定義，例如從合約中擷取當事方和日期，而這樣的工作可以出現在任何領域。兩者可以很好地結合：領域專用大型語言模型可以作為訓練任務模型的底座，讓專用模型一開始就懂這個領域的語言。我們關於領域專用大型語言模型的指南，介紹了領域知識如何進入模型。
企業的工作能拆分給多個專用模型嗎？
這正是我們實驗室的出發點，而且早有先例。亞當·斯密在《國富論》第一卷第一章描述過一家製針作坊：製作一枚針被「分成大約十八道不同的工序」。十名工人，其中有人兼做兩三道工序，一天能做「四萬八千多枚針」，平均每人約 4,800 枚。斯密判斷，如果各自單獨做，「他們每人一天肯定做不出二十枚，也許連 一枚都做不出來」。
把分工用在模型上，大致是這樣的。以客服流程為例，處理一張工單可以拆成幾步：替請求分類，擷取其中的帳戶資訊，找到相關政策，起草回覆，再對照政策檢查草稿。每一步都有自己的輸入、輸出和測試集，所以每一步都可以有一個專為它訓練、大小合適的專用模型。路由器把每一步交給對應的專用模型，超出這些專用模型所學範圍的請求則交給基礎模型。由於路由由工作本身的結構決定，您總能知道是哪個模型給出了回答，以及它被訓練來做什麼。
斯密的作坊也說明，怎麼拆分是一項設計決策，畢竟有些工人要兼做兩三道工序。小到不值得單獨建模的步驟，可以和相鄰的步驟共用一個模型；開放式的步驟則留給基礎模型。
到目前為止，我們實測過的證據涵蓋的是單項任務，以及 QMSum 研究中的雙模型流程。一個經路由組合的專用模型網路，能否在企業的全部工作負載上與前沿通用模型相當，是我們實驗室正在研究的問題，結果出來後我們會陸續發表。NVIDIA 的論文也主張，在代理同時需要通用對話能力時採用同樣的架構，也就是「異質代理系統（即呼叫多個不同模型的代理）」。路由的具體做法，請參閱 LLM 路由策略和詞彙表中的模型路由條目。
怎樣把一項任務從基礎模型遷移到專用模型？
從一個重複的步驟開始，並保留基礎模型作為兜底。
- 選定任務。 選擇帳單最高的重複步驟，用單一任務成本來衡量。
- 做好紀錄。 保留基礎模型在正式環境中的提示詞和輸出，並修正錯誤的輸出。
- 建立評估集。 保留專用模型在訓練中從未見過的範例，並在訓練前議定及格線。
- 訓練並決定大小。 用記錄下來的範例訓練幾種不同大小的模型，保留能通過評估的最小那個。
- 路由並觀察。 先讓專用模型在基礎模型旁邊影子執行，再把流量切過去，超出範圍的請求仍由基礎模型處理。
Ertas 把這套做法做成了自適應模型端點：一個用您代理的任務訓練、透過相容 OpenAI 的 API 提供服務的專用模型。新版本在背景用您代理的流量訓練，用您的評估打分，只有經您核准才會上線。如果新版本沒有達到 標準，目前的模型會繼續服務。它可以由 Ertas 託管，也可以部署在您自己的雲端或地端。該端點目前僅限受邀使用，我們正在開發一個更精簡的版本，以便更廣泛地開放。
常見問題
哪種 AI 最適合特定任務？
為這項任務訓練的模型，具體選哪個，要用您自己保留的範例測試幾個候選模型來決定。公開排行榜衡量的是通用能力，您這項任務的評估集衡量的才是您需要的東西。先用提示詞驅動基礎模型，記錄結果，等任務穩定、重複之後再訓練專用模型。
特定任務的小型語言模型有哪些範例？
用於新聞摘要的 BART-large-CNN、用於段落排序的 ms-marco-MiniLM 交叉編碼器、用於內容安全分類的 Llama Guard 3-1B，以及基於 Gemma 3 270M、用於函式呼叫的 FunctionGemma。每個模型都附有模型卡，說明它所做的那一項工作。
特定任務模型一定很小嗎？
它們通常比基礎模型小，具體大小取決於任務。排序或檢索這類步驟，幾千萬參數的模型就能勝任；困難的推理任務則可能需要大型模型。原則是選用在保留範例上能守住任務品質標準的最小模型。
微調過的模型還算基礎模型嗎？
微調過的模型是經過適配的基礎模型。一旦為一項工作訓練完成，它的表現就是特定任務模型，同時也保留了底座原有的缺陷：史丹佛的報告提醒過，基礎模型的缺陷會「被下游所有適配模型繼承」。請在它自己的任務上對它進行評估。
特定任務模型收到任務範圍之外的請求會怎樣？
回答品質會下降，因為它從沒學過這類輸入。兩種做法可以搭配使用：用它應當拒絕的範例訓練它，並在請求到達它之前，把超出範圍的請求路由給基礎模型。
簡短版
工作還新、開放或用量小時，用基礎模型。同一項工作大量重複、輸出可以核對時，訓練一個特定任務模型：它每項任務的成本更低，價格和 token 數量都會下降，品質也能穩定在既定標準上。把工作流程拆成若干步驟，替重複的步驟配上各自的專用模型，其餘的交給路由器轉給基礎模型。如果您最關心的是錢，可以先從單一任務成本讀起。
資料來源，均於 2026 年 10 月 29 日查閱：Bommasani 等，"On the Opportunities and Risks of Foundation Models"（史丹佛 CRFM，2021）；Belcak 等，"Small Language Models are the Future of Agentic AI"（NVIDIA，2025）；IBM，"Types of Artificial Intelligence"；亞當·斯密，《國富論》第一卷第一章（Project Gutenberg 英文版）；BART-large-CNN、ms-marco-MiniLM-L6-v2、Llama Guard 3-1B 和 FunctionGemma 的模型卡。我們的研究：QMSum 研究和 OpenRouter 結構化任務報告。