评测微任务合格差距：开箱即用的 SLM 何时足以用于智能体框架？

最新评测显示开箱即用 SLM 难以胜任智能体微任务，Qwen3（0.6B/1.7B/4B/8B）在 4 项任务的 16 组配置中合格率为 0。该差距在 Llama-3.x（12 组全不合格）与 4-bit 量化下同样存在，表现主要取决于模型大小而非精度。研究建议仅在传统基线不足时调用 SLM，例如 4B 重排序模型在 BM25 候选上可取得 +0.047 的增益。