开源平台Hugging Face CEO：本地小模型被低估，问题不在能力而在脚手架和调参水平
Hugging Face首席执行官Clement Delangue在社交平台发文指出，很多人误把“小模型表现差”归因于模型本身能力不足，实际上是“用为大型云端API设计的系统去套本地小模型”，脚手架完全不匹配，自然不可能“开箱即用”跑出好效果。他同时批评，许多团队细调流程设计粗糙，最后反而宣称“fine-tuning没用”，把工程问题错误归因到方法本身。
Delangue承认，本地模型目前确实存在明显的技能缺口与时间投入门槛，但他对前景持乐观态度，认为开源模型数量激增、社区贡献的工具与数据集，以及智能体框架的成熟，会让本地模型的搭建和细调“变得容易得多”，最终推动“一波必要的开源与本地部署大爆发”。这一判断也呼应了Hugging Face最新开源报告：平台公开模型与数据集在过去一年几乎翻倍增长，但下载量高度集中于少数头部模型，说明大量潜力模型尚未被工程化释放出来。
来源：公开信息
ABAB AI 解读
Delangue的判断，把行业对比“闭源云端大模型 vs 本地小模型”的表面争论，转成了“工程脚手架 vs 能力上限”的结构问题：很多团队延续了为超大模型云API设计的调用范式，却没有针对本地小模型重构RAG、缓存、工具调用和任务拆分机制，导致在同样的“UI壳子”下，小模型看起来输得很惨。实质上，这是工程范式没有随算力分布变化而升级——本地模型被错配在了不适合自己的系统结构里。
从技术与产业结构看，“脚手架+细调”的组合，决定了小模型能否在真实场景中对大模型形成有效替代。细调失败的根源往往是数据构造、目标函数和评估体系的缺失，而不是“细调这条路不行”；当前多篇研究已指出，粗糙细调甚至会系统性拉低模型表现，这恰好印证了Delangue所说的“技能鸿沟”。这一鸿沟短期内让闭源大模型保持溢价，但长期随着开源社区在数据集、代理轨迹和评测基准上的积累，能力差距会被工程经验迅速抹平。
更深层意义在于，本地小模型一旦通过成熟脚手架和细调范式获得“可用性爆发”，算力与智能的控制权就会部分从大型云厂商回流到开发者和组织边缘节点——从“集中式算力租赁”转向“分布式智能自持”。Delangue期待的“开源与本地爆炸”，实际上指向一种权力重分配：算法能力不再被少数巨头云API垄断，而是通过可复制的工程体系，下放给更多小团队和个人节点，这将重塑AI产业的利润分布和地缘结构。届时，决定成败的不再是谁的模型最大，而是谁掌握了更广泛、可复用的“脚手架与调参方法学”。