SLM, LLM и frontier‑модели: как выбирать языковую модель под конкретную задачу
В разговорах об искусственном интеллекте чаще всего звучит термин LLM, large language model. Рядом с ним встречаются и другие обозначения: SLM (small language model) и FM (frontier model). При этом речь не о полностью разных типах технологий. LLM выступает общим классом языковых моделей, а различия между ними в основном описывают масштаб и характер задач, для которых их используют. Как объясняет Towards AI, ключевые отличия между SLM, LLM и frontier‑моделями связаны прежде всего с размером моделей, требованиями к вычислениям и уровнем сложности задач.
LLM обычно содержат десятки миллиардов параметров, то есть весов, формирующихся во время обучения и определяющих возможности модели. Большой объём параметров даёт таким системам широкий запас знаний и позволяет поддерживать сложный диалог в разных областях. Из‑за высоких требований к ресурсам GPU и памяти подобные модели часто запускают в облаке или в SaaS‑среде.
SLM устроены иначе. У них меньше параметров, как правило менее 10 миллиардов. Их рассматривают не как «упрощённую» версию LLM, а как специализированные модели. Если SLM хорошо настроена, она способна соперничать с более крупными системами на узких задачах. Например, при классификации документов, маршрутизации кода или создании кратких резюме. Среди примеров упоминаются модели IBM Granite, включая Granite 4.0, а также некоторые компактные open‑source‑модели от Mistral.
Frontier‑модели находятся на другом конце спектра. Их масштаб может достигать сотен миллиардов параметров и больше. Такие системы считаются наиболее мощными с точки зрения рассуждения и выполнения сложных задач. К этой категории относят, например, Claude Sonnet и Opus, GPT-5 от OpenAI и Gemini Pro от Google. Но на практике выбор зависит от конкретного сценария. Если компании нужно автоматически классифицировать и маршрутизировать тысячи входящих документов, она может использовать сервис классификации на базе SLM. В таком случае запросы обрабатываются быстрее и обходятся дешевле.
Ключевые факты
LLM обычно содержат десятки миллиардов параметров и часто работают в облаке из‑за высоких требований к GPU и памяти.
SLM обычно имеют менее 10 млрд параметров и применяются для узких задач, таких как классификация документов, маршрутизация кода и суммаризация.
К примерам SLM относятся модели IBM Granite, включая Granite 4.0, а также некоторые компактные модели от Mistral.
Frontier‑модели могут иметь сотни миллиардов параметров; среди примеров названы Claude Sonnet, Opus, GPT-5 и Gemini Pro.