開發者 WollyMonjac 運用 Claude Fable 5.2 撰寫 Transformer 架構,並以 Claude Opus 5.5 產生約 3,500 條事實、閒聊與算術訓練素材,打造出可在 DOS 環境執行的聊天機器人 Tiny-2.1。模型僅 36.7 萬個參數,完整程式與權重合計不到 0.5MB,可容納於一張 1.44MB 軟碟片,運作時約需 540KB 一般記憶體。
Tiny-2.1 能在字元層級逐字讀寫,處理小型拼字錯誤,並可回答秘魯首都、將「cat」倒序拼寫及部分基礎算術題;DOS 介面甚至會顯示運作狀態並透過喇叭播放機器音效。開發者測試顯示,若問題措辭接近訓練資料,正確率約 90%,換成陌生措辭則跌至 61%,除法表現尤其薄弱。原始碼已公開於 GitHub。
這項成果本質上是復古運算領域的概念驗證,而非可直接投入日常工作的商用 AI。
這場實驗真正觸碰的,並非前沿模型之間的算力競賽,而是 AI 產業長期被掩蓋的成本矛盾:模型能力持續膨脹,部署門檻卻未同步下降。Tiny-2.1 將「把模型放進軟碟片」的極限案例具象化,凸顯大型語言模型的記憶體、運算與能源成本,可能遠高於多數工作流程的實際需求。
從技術演進來看,開發者採取的是極致的垂直特化策略:以 36.7 萬參數換取極低資源消耗,代價則是泛用能力與抗陌生表述能力的明顯衰退。從熟悉問法約 90% 正確率跌至陌生問法 61% 的落差,顯示模型高度依賴訓練分布,尚未真正掌握可遷移的語意結構。這意味著 Tiny-2.1 適合記憶體查詢、離線文件擷取等邊界明確的任務,卻難以承擔开放式推論與錯誤成本高的專業流程。
更深層的結構性轉變在於,Claude 等前沿模型已從「被使用的產品」變成「生產其他模型的工具」。開發者以 Claude 生成訓練資料與架構程式,再將成果壓縮至近乎玩具級的載體,等於示範了 AI 開發流程本身的自動化與模型商品化路徑:模型能力變成可再加工的原料。
市場也正同步走向供給過剩。Hugging Face 2026 年夏季報告顯示,公開模型儲存庫已接近 300 萬個,年初為 243 萬個。模型數量的暴增使「選模型」的重要性下降,「先定義工作流程再選模型」成為更理性的採購邏輯。Liquid AI 的 LFM3-1.7B 擅長從文本擷取結構化資訊,Llama 3.2 3B Instruct 則可在低功耗家用伺服器上回答離線資料問題,顯示「剛好足夠」的小模型已足以支撐大量垂直應用。
戰略貿易流向與供應鏈依賴度
HS 8542資料來源:UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $5,800 億美元 / 年
從個人電腦的笨重主機、8086 時代的 DOS 作業系統,到今日消費者級 GPU,運算資源成本歷經數次結構性下降。Tiny-2.1 可視為這條歷史曲線末端的一次趣味回歸,但與 1980 年代不同,今天的關鍵變數已從硬體普及轉為模型能否被有效約束在特定任務邊界內。對照智慧手機運算能力在約二十年內提升數個數量級、雲端 AI 服務則將推論成本壓至近零的趨勢,小模型未來將扮演「隨機存取記憶體」與「雲端大型模型」之間的層級。
01 起因觸發:開發者以 Claude 生成架構與訓練資料,打造可置於 DOS 軟碟片執行的 Tiny-2.1
02 一階傳導:開發者將模型選型邏輯從參數競賽轉向任務導向的小模型部署
03 二階擴散:開放權重模型儲存庫半年激增逾 57 萬個,通用模型服務商面臨價格與毛利壓力
04 宏觀終局:端側小模型、雲端大型模型與模型路由層形成分層架構,AI 採購重心轉向治理與單位經濟效益
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報