# 微调后的0.8B模型将语法标注成本降至1/16

> 语言学习平台推出Qwen3.5 0.8B小模型，追踪英语学习者的语法掌握情况，成本更低、准确度也高于使用GPT‑5提示词的方案。

Oossa · 2026-10-09 · https://oossa.com/zh/fine-tuned-0-8b-model-trims-grammar-annotation-costs-16-fold

一家语言学习平台推出了一款小型AI模型，用于标注师生对话中的语法知识点。这款模型是拥有0.8 billion个参数的Qwen3.5版本，经过教师编写的示例微调，目前已成为平台新推出的语法掌握度追踪功能的底层引擎，面向平台上的所有英语学习者开放。该公司表示，与使用提示词调用GPT‑5.4或GPT‑5.6等大型前沿模型相比，这套系统的运行成本降低了16倍。

## 模型的构建与测试方式

团队对教师生成的监督数据进行了筛选和平衡处理，随后加入适配器层——一组少量额外权重，用于编码标注规则。这样一来，0.8 B模型只需配合简短且格式匹配的提示词即可运行，不必接收冗长指令。在两项由人工整理的基准测试中，已部署的模型和一个4 B参考模型，在精确率和召回率两项指标上都超过了使用提示词的GPT‑5.4和GPT‑5.6；测试采用了逐渐严格的匹配标准，考察知识点、证据片段和正确性。

## 对学习者和业务的影响

一项在线A/B实验显示，新追踪功能使学习者参与度提升了15.8 percent。根据平台内部指标，排课课时增加了2.1 percent，新课程带来的商品交易总额增长了13.2 percent。

## 事实

- 这款微调模型是参数规模为0.8 B的Qwen3.5小语言模型（SLM）。
- 与使用提示词调用GPT‑5模型相比，运行成本约降低16倍。
- 在两项基准测试中，0.8 B模型的精确率和召回率均超过GPT‑5.4和GPT‑5.6。
- 一项针对该功能的在线实验显示，学习者参与度提升了15.8 %。
- 排课课时增加了2.1 %，新课程收入增长了13.2 %。

## 为什么重要

对英语学习者来说，AI成本降低后，平台可以持续提供自动化语法反馈，而无需涨价。对公司而言，更低的算力成本和更高的用户参与度，有望带来更多课程预订和收入。

## 来源与参考

1. [Grammar Concept Annotation at Scale: Deployed Fine-Tuned Small Language Models Outperform Prompted Frontier Models](https://arxiv.org/abs/2610.10827) – arXiv, 2026-10-09

最后更新: 2026-10-09