工业端侧AI如何选择小模型：先限定任务，再验证证据与拒答

事实摘要

• 公开案例事实：Exowatt的同一训练管线分别用于端侧告警分流和云端能源市场分析，前者需要在缺乏连接或无GPU条件下运行。
• 来源方测试：告警数据包含684条经过核验的决策及1838条通过确定性检查的改写；保留320个测试案例，并将一种故障族完全留出训练。
• 公开案例事实：端侧输出限定在固定类别或证据不足时拒答；输出引用的来源、字段和值必须与输入逐项对应。原文另描述在云端站点副本上的自治影子模式。
• 来源方成本边界：端侧每千次决策零计量费用指没有按次API或GPU推理费用，使用已有CPU，不代表硬件、电力、维护和训练总成本为零。
• 官方产品说明：Liquid AI的LFM3使用共享骨干提供多类约2B级模型，厂商称可单GPU微调及端侧部署；本刊没有独立验证其设备性能。

向量纪元分析

• 向量纪元编辑判断：任务边界比参数规模更早决定实施难度。能源设备告警有有限类别、可核对遥测和明确拒答条件，适合构建窄任务评估。若工厂希望一个模型同时处理开放咨询、设备控制和异常诊断，任务已经改变，不能直接引用该案例的分数作为可靠性证据。
• 向量纪元编辑判断：数据改写只有在标签和数字不变时才有意义。该案例对改写结果使用确定性检查，说明扩充表达方式不等于增加新的业务事实。企业整理样本时，应保留原始依据、裁决理由和未见过的故障类型；不能把大量模型自造样本视为大量真实现场经验。
• 向量纪元编辑判断：离线部署与自治批准是两道门。能在CPU运行说明部署约束得到部分满足，却不说明异常决策可以直接作用于物理设备。引用匹配只能证明输出与输入一致，不能证明传感器数据真实或控制动作安全。建议先做只读建议和影子比较，再由企业按风险决定是否进入实际操作。
• 向量纪元编辑判断：企业实施建议：选一个有限类别的告警任务，冻结授权样本和人工判断规则，记录误判、拒答、异常输入与设备端延迟。预算分别列出训练、硬件、维护和推理，避免将没有按次费用写成零成本。任何设备控制和生产变更必须由企业人工批准。
• 常见问题｜小模型一定优于大模型吗？不是，案例只证明其限定任务测试。
• 常见问题｜无网络能运行就能控制设备吗？不能，控制权限和安全验收独立。
• 常见问题｜引用完全匹配是否证明决策安全？不证明输入真实性与操作安全。
• 常见问题｜端侧不按次收费就是零成本吗？不是，仍有设备、维护等成本。
• 作者与边界：向量纪元依据所列官方原文编辑，面向企业技术与实施团队提供流程建议。厂商测试与公开案例不等于本刊独立实测；不承诺固定收益、排名、询盘或成交。涉及生产采用、敏感资料和对外口径，应由企业人工确认。

以上为文章中的企业影响判断与实施建议，应用到具体项目时仍需结合现场条件验证。