解决什么问题
通用大模型什么都会一点，但在你那个具体任务上——判断一枚印章是不是倒盖、把检验记录里的量和单位抽出来、给客诉分类——它又贵又慢，还不稳定。小模型训练做的是：用你积累的样本，训一个只回答这一个问题的模型，几十 MB、CPU 上毫秒级、结果可复现。
我们自己的例子：RecordLint 质录检里「印章清晰完整」「印章倒盖」两条规则是模型驱动的，使用方在界面里标注自己的印章样本、训练、上线；模型只回答「这枚章是什么状态」，判不判违规仍由规则决定。训练依赖 sklearn，部署侧推理只用 numpy。
怎么交付
- 先判该不该训：提示词能解决的不训；知识库能解决的不训；只有当任务定义清楚、样本能攒到几百到几千条、且对速度或离线有硬要求时才训。我们会先做一轮判断，结论可能是「不用训」。
- 数据：你提供样本，我们提供标注规范和标注工具；样本量门槛按任务定（分类几百条起，抽取几千条起）。数据不出你的环境。
- 训练与评测：留出测试集，报告准确率、召回率、误报类型；对比一个「提示词 + 通用大模型」的基线，训出来的模型必须在你的测试集上明显更好或明显更快，否则不交付。
- 交付物：模型文件、评测报告（含测试集与错误样本）、部署脚本（CPU 可跑）、再训练脚本（样本增加后你自己能重训）。
不适合谁
- 任务本身说不清楚判据、两个人标注结果都不一致的：先统一口径，再谈模型。
- 样本不到一百条又不愿意攒的：用提示词加通用模型。
- 期望「训一个自己的 ChatGPT」的：那是通用大模型的预训练，不是垂直小模型，成本不在一个量级。
常见问题
什么时候该训小模型，而不是写提示词或做知识库？
三个条件同时满足才训：任务定义清楚、能攒到几百到几千条样本、对速度或离线有硬要求。提示词能解决的不训，知识库能解决的不训。我们先做一轮判断，结论可能是「不用训」。
训练垂直小模型需要多少数据？
分类任务几百条起，抽取任务几千条起，具体看类别数和样本平衡程度。样本少时先用规则加通用模型顶着，边用边攒。
小模型训练需要显卡吗？
经典机器学习模型（如印章状态分类）在 CPU 上几分钟训完；微调小语言模型需要一张消费级显卡，几小时。部署侧一律按 CPU 可跑来交付。
训好的小模型怎么部署？
交付模型文件和一个部署脚本，CPU 上毫秒级推理，可以嵌进你现有系统或作为内网服务。数据和模型都不出你的环境。
垂直小模型和大模型微调是一回事吗？
不是。垂直小模型是只干一件事的判定或抽取模型，几十 MB；大模型微调是在通用模型上调整风格或领域知识，仍需大显存推理。多数制造业任务用前者就够。
样本增加以后能自己重训吗？
能。交付物里包含再训练脚本和标注规范，样本增加后你自己重训、重评测、替换模型文件。