ChatGPT走紅後開啟了各界對大語言模型（LLM）的關注，但是大語言模型參數（parameter）量龐大，大體只能在雲端資料中心內執行（或稱為推論），但雲端共用模型有諸多缺點，例如斷網不能用、模型後續被大量偏頗問答所誤導偏移、必須尊重普世價值而設定言語審查機制（不回應炸彈、毒品等議題）等。
一般認定：7B個參數以下的模型可視為SLM #
所以各界開始期望有能在自己電腦上執行的版本，甚至能客製化微調，但參數量過大是其阻礙，故各界開始積極將模型縮小、輕量化，因而有了小語言（SLM）模型，小語言一詞是相對於大語言，兩者沒有很清晰的分界，一般認定7B（70億）個參數以下的模型即可視為小模型。
設定為7b以下可能是期望在8/16GB記憶體的電腦上也能執行，但這是以權重8位元下的設定，如此模型勉強可放入8/16GB記憶體（仍要保留其他空間給其他服務程式使用）內，然如今諸多模型已將權重降至6位元、4位元甚至更低，因此不用硬性堅持要低於7b，略大亦可，視情況而定，但前提是運算力依然要足，Microsoft目前建議跑本地端AI的電腦至少要有40TOPS效能（8位元權重時）。
SLM範例模型比較 #
無論開放或封閉（或稱專屬）的大語言模型，其實都有朝小型化衍生發展的趨勢，開放自不用說，各界取得模型參數、架構、程式碼、資料集後，即可對模型進行各種輕量化工程。舉例而言，Meta提出的開放模型Llama 2即有人縮小出TinyLlama，從Tiny一詞即可看出其意涵。
封閉的模型其實也有中小型化，如Google的Gemini模型除了Ultra版、Pro版外也有Nano版，Nano版參數量約18～35億，已低於70億，或如OpenAI也有OenAI o3-mini、GPT-4o mini等迷你版，但因為非常封閉，mini版連參數量也不得而知，但至少可以確定OpenAI並不是一路走來只訓練大模型。
另外也有一起頭就確定走小型化路線的，如Microsoft的Phi系列模型，因為Microsoft已經與OpenAI技術合作，Microsoft可以取用OpenAI的大語言模型技術，自然自身的發展可以區隔或另行路線探索，Phi已經推進了到第四版，即Phi4，參數大致在2.7b、3.8b，但也有14b版，14b已大於7b。
進一步的，模型要縮小的技術手法相當多，例如量化、剪枝、蒸餾、二元化等，也有人特別強調其SLM是以蒸餾方式形成，例如DistilBERT就是從BERT模型蒸餾而成，從名稱上已可看出。
另外，DeepSeek-V3/R1模型其實也達671b之大，無法在本地端執行，故也有蒸餾版，例如以DeepSeek模型為老師模型，以Llama或Qwen為學生模型，從而訓練出小參數量的DeepSeek-R1-Distill-Llama-8B、DeepSeek-R1-Distill-Qwen-7B，前者略大於7b。
註2：也有一些蒸餾版模型是官方自己出的，例如Google Gemini 1.5 Flash即是利用Gemini 1.5 Pro蒸餾而成，蒸餾版不盡然都是由第三方（Third Party，官方第一方、用戶第二方）提供。
或者也有OpenAI早期尚未採行封閉策略時的模型可用，如GPT-2，當時的模型尚小，參數量約1.24億，與之後的GPT-3完全無法比（1,750億），OpenAI後續的模型都採封閉式訓練，如GPT-3.5、GPT-4等，現階段可用為GPT-2。
或許日後隨OpenAI持續向前推進會釋出GPT-3.5、GPT-4等模型，如此即有望有人對其再行發展出輕量化版本，但也可能不會釋出，畢竟已有許多個人跟企業付費使用GPT-3.5以上的服務，為確保其付費質感而不會釋出，或採行某種變相、妥協的方式釋出，確保已付費者不會抱怨。
（完整文章連結）
