Table of Contents
背景
过去三年，企业 AI 采购策略几乎遵循一个铁律：选择参数规模最大的前沿模型。直觉上，参数越多能力越强，而选错模型的风险被认为远大于多付的成本。然而，2026 年 5 月 22 日，Dharma AI 发布了一篇标题为《Specialization Beats Scale》的文章，用实证数据挑战了这一默认假设。
Dharma 在 4 月发布了 DharmaOCR——一套用于结构化 OCR 的专用小语言模型，并配套推出了基准测试。在测试中，一个参数量仅 3B 的专用模型，在真实企业 OCR 任务上，不仅全面超越了所有商业前沿 API（包括 GPT-4、Claude 等），而且运行成本仅为后者的五十分之一。
核心内容分析
一个反常识的结果
Dharma 的基准测试设计严谨，覆盖了多种结构化文档类型（发票、表格、扫描件等）。3B 专用模型在准确率、召回率等关键指标上全面领先，同时推理成本极低。按 Dharma 的计算，在同等处理量下，使用该模型的年度成本仅为使用前沿 API 的 1/50。
这意味着采购决策中，质量和成本不再二选一——最佳质量的同时也是最便宜的。
为什么小模型能赢？
关键变量是 阶段对齐（distributional alignment）。当模型的训练数据与部署任务的分布足够接近时，参数规模就不再是决定性因素。通用前沿模型虽然海量知识，但企业 OCR 任务需要的是对特定格式、特定领域文本的精确理解。经过针对性微调的专用模型，即便参数少，也更能捕捉到任务所需的信息。
Dharma 指出，这一现象并非孤立。Subramanian 等人（2025）和 Pecher 等人（2026）的研究都表明，在特定领域，适度的专业化可以超越规模。
行业影响/专业点评
DharmaOCR 的发布具有深远的战略意义。它提醒企业采购者，不应盲目追求“最大、最贵”的模型，而应评估自身任务的分布特性。对于许多垂直场景——如法律文档处理、医疗记录分析、金融表单识别——专用小模型可能是更优选择。
更重要的是，这一结果挑战了 AI 芯片和云服务商长期以来推销的“更大模型需要更多算力”的故事。如果小模型能通过专业化达到甚至超越前沿性能，那么企业的 AI 预算将可以大幅缩减，更多公司有能力自主构建定制模型。
当然，专业化需要投入数据准备和微调成本，但这笔一次性成本远低于持续使用昂贵 API 的费用。Dharma 开源了其训练流程，使得任何有资源的团队都可以复现类似效果。
未来，我们可能会看到企业 AI 策略从“购买最强大的一站式模型”转向“构建或采购最匹配任务的专门模型”。规模效应依然存在，但“规模”的定义将从参数数量转向数据质量和训练策略。
