本周 Reddit LocalLLaMA 出现一项开源实验 DynamicTune：把 Qwen 4B 的能力压进 0.8B 模型，没用昂贵 AI 芯片、不烧数十亿 token，一张 8GB 旧显卡就完成。这意味着「越大才越强」的路线，正在被另一种声音稀释。

这是什么

传统蒸馏（让小模型模仿大模型）要烧数周算力和数十亿 token；DynamicTune 用几百条校准样本（用来「探测」模型内部状态的提示词），通过最小二乘法（直接求解最优参数的数学方法）算出权重更新，绕开反向传播（从错误回推调整参数的传统训练过程）。

作者把 4B 能力转移到 0.8B。起初想编辑全部 24 层，模型直接崩溃——困惑度（衡量模型「有多困惑」的指标）暴升 64.78%。原因是中间层（1-22 层）的特征值熵值（衡量层内信息混乱程度的指标）超过 0.90，强行注入轨迹会打散模型原有的「记忆结」。最终只编辑 4 个锚点层（0、7、15、23）。修完后困惑度降 10.8%，生物医学降 23.8%，数学逻辑降 14.6%。直观例子：原本解不出的二叉树反转，修补后一次过；俄语悖论上甚至自发出现 <think> 推理标签 — 这是没套任何对话格式的 base model。

行业怎么看

正向声音：开源、本地可复现、消费级显卡可跑 — 为「小模型仍可堪用」这条路径提供新证据。

需要谨慎的几点：(1) 这是 Reddit 实验不是产品，从研究到企业级稳定部署，工程化差距大；(2) 中间层熵值 0.90 本身是警告信号，说明我们对模型内部工作机理的理解仍然很浅；(3) 能力压缩会把「会的地方」放大、「不会的地方」暴露更彻底，失败模式可能更难诊断。

对普通人的影响

对企业 IT：边缘部署（让 AI 直接跑在设备上而非云端）和私有化部署的算力门槛可能再降，长期看云端 AI 算力支出未必只涨。

对个人职场：能跑在旧电脑上的本地小模型开始变强，「自己电脑上的 AI 助手」从口号慢慢走向可触达。

对消费市场：手机和 IoT 上的端侧 AI（直接在设备本地运行的 AI）会受益，但短期内仍是开发者圈子的事，普通用户今年大概率感受不到。