【参数即本能：为什么靠“外挂”救不了小模型】OpenAI研究员Jason Wei近期反思了一个行业共识：过去大家认为只要模型有个1B规模的“认知核心”，剩下的靠联网搜索或运行代码这些“外挂工具”就能搞定。但他现在认为这完全错了。他用练羽毛球打比方：新手能靠脑子记住教练的每一个动作要领（工具调用），但在实战中根本反应不过来；真正的顶级选手靠的是肌肉记忆（参数内化）。模型如果事事都要查工具，不仅速度慢、可靠性差，更重要的是它无法像大模型那样通过海量数据训练形成一种“合成直觉”。社区评论对此展开了激烈碰撞，有人认为大模型买到的是“被编译过的经验”，而工具调用每次都要在运行时重新构建路径，成本极高；也有开发者指出，虽然大模型判断力更强，但面对实时更新的信息，工具依然是不可或缺的“新鲜度”来源。这件事的核心在于，智能的质量往往取决于知识在多大程度上变成了“本能”。小模型加工具能完成杂活，但处理复杂、长程的任务时，频繁的工具调用会迅速填满上下文窗口，并让错误在链条中不断叠加。正如社区所言，你不能指望看着Excel表格去赛车，速度本身就是智能的一部分。虽然小模型在特定垂直领域能靠微调或持续学习追赶，但对于追求极致智能的场景，Bitter Lesson（苦涩的教训）依然适用：堆参数规模带来的内化能力，目前还没有替代品。