什么是参数量？7B、70B 到底是什么意思
模型名字里的 7B、70B、405B 是什么意思？参数量代表什么、是不是越大越好、为什么小模型也能很能打、本地能跑多大的模型，一文用大白话讲清。
逛 AI 圈总能看到一堆带 B 的名字：Llama 3 8B、DeepSeek 70B、某某 405B……这个 B 到底是什么？是不是数字越大模型就越聪明？本地电脑能跑多大的？这篇用大白话把「参数量」讲清楚。
B 是什么：模型的”脑细胞”数量
B 是 Billion（十亿） 的缩写。7B 就是 70 亿个参数，70B 就是 700 亿个参数。
那「参数」又是什么？你可以把它理解成模型内部一大堆可调的旋钮。大模型在训练时，就是在海量文本上反复微调这些旋钮，直到能准确地「预测下一个词」。参数量，就是这些旋钮的总数——粗略地说，它衡量了一个模型「脑容量」的上限。
一个不严谨但好懂的类比：参数量像大脑的神经元连接数。连接越多，能记住和处理的模式就越复杂——但也不是唯一决定聪明程度的因素。
参数越多越好吗？不一定
大有大的本事，小有小的好处，这是关键：
参数多（如 70B、405B）：
- 知识更广、最难的任务（多步推理、复杂代码、长文档）表现更强
- 但又慢又贵又吃显存，推理时成本高
参数少（如 7B、8B）：
- 快、便宜、能在本地设备上跑
- 日常问答、写作、简单代码往往**「够用了」**
- 缺点是遇到硬核难题容易露怯
所以选模型不是「越大越好」，而是**「够用就好」**——用杀鸡的场景没必要上牛刀。
为什么现在的小模型越来越能打
早两年大家还在盲目堆参数，这两年风向变了：同样 7B，今天的模型比两年前的强得多。原因是——
- 训练数据质量更高：喂的「教材」更好更多
- 训练方法更成熟：对齐、蒸馏等技术让小模型「学到」大模型的本事
- 架构优化：比如用「混合专家」（MoE）等设计，用更少的实际计算办更多的事
一句话：参数量只是上限，能不能发挥出来，还看数据和训练。这也是为什么不能只看 B 数论英雄。
参数量 ≠ 上下文长度，别搞混
新手常把两个「大」搞混：
一个是脑子多大，一个是一次能看多少材料，两者独立。小参数模型也可以有长上下文，反之亦然。
本地能跑多大的模型？
想在自己电脑上跑开源模型，最大瓶颈是显存/内存。一个极粗的经验（以常见的量化版本计）：
| 模型规模 | 大致门槛 |
|---|---|
| 7B / 8B | 主流独显（8–16G 显存）或较新的笔记本可跑 |
| 13B / 14B | 建议 16G 以上显存 |
| 70B | 需要高端多卡 / 大内存，个人较吃力 |
具体还看量化精度和推理框架，但方向是：参数越大，对硬件越苛刻。个人本地玩，7B～14B 是最舒适的区间。
小结
模型名里的 B 就是十亿个参数——它是模型「脑容量」的上限，但不是越大越好：大模型强在最难的任务，小模型胜在快、省、能本地跑，而且如今的小模型靠更好的数据和训练已经相当能打。选型记住一句话：看任务难度配模型大小，够用就好。想进一步了解开源和闭源怎么选，见开源 vs 闭源大模型；想搞懂这些参数是怎么练出来的，见大模型是怎么工作的。