把业务问题翻译成模型任务

新模型发布，所有人的第一反应是"先下载试试"。但轮到自己的业务，问题就具体了：能处理我们公司的单据吗？能判断客户在问什么吗？有必要上这么大的模型吗？

**选型第一步不是找模型，是把业务需求翻译成模型任务。**业务方永远不会说"我需要一个分类模型"，他们说的是"帮我把合同里的关键信息抽出来"或"自动回复用户的提问"。翻译得准，模型库才筛得动；翻译不准，后面全在错误方向上使劲。

一、两步定位法：任务目标 × 数据类型

第一步，按工作目标分五类：

第二步，看处理的数据类型：文本、语音、图像、视频。输入输出同类型按该类型归类；涉及两种及以上就是多模态任务（语音转文字、图答问题、文生图……）。

三道例题练一遍：

• 判断用户评价是正面/负面/中性 → 输出类别标签、输入是文本 → 文本分类；
• 上传图片在商品库找相似商品并排序 → 匹配排序、数据是图片 → 图像检索与排序；
• 按文字描述生成图片 → 生成任务、输入文本输出图片 → 多模态生成（文生图）。

先看最终目标，再看输入输出数据类型——两步走完，任务标签就有了。

二、拿着任务标签去模型库筛

魔搭模型库按任务标签组织模型：左侧筛选栏选任务类型 → 候选多就叠加条件——框架（PyTorch 等）、开源协议（商用必筛 Apache 2.0/MIT）、结构（qwen3、deepseek_v2 等）、语种。知道具体名字直接搜也行。

热度指标怎么用：下载量（场景验证广度）、喜欢数（认可度）、更新时间（生态活跃度）、社区活跃度（Issue 响应速度）。注意：通用模型下载量天然高于垂直模型，跨领域比数值没有意义，只在同类任务范围内比较。

三、通用大模型 vs 专用模型

不用二选一，常见的是搭配：智能客服里通用大模型先理解问题、判断意图，再交给对应专用模型处理。选型口诀：任务模糊或多样 → 通用先行；任务明确且对速度/成本/稳定性有要求 → 专用接管。

四、一件事也可以拆给几个模型

真实系统常常是流水线。一个智能文档处理系统可能依次经过：文档分类 → OCR → 版面分析 → 表格识别 → 信息抽取，每个模型负责一个独立环节。这样的组合有三个工程特征：

1. 单环节可替换——某个环节效果不好，只换这一环的模型；
2. 无依赖环节可并行——缩短整体处理时间；
3. 衔接是隐形成本——前一个模型的输出格式必须被后一个正确解析。OCR 输出的是带坐标的文本块，信息抽取模型要的是纯文本，中间就得加格式转换环节。

所以选型不能只看单模型效果，要把它放进整条流程里看：单独测试很准、但输出格式难衔接的模型，在系统里并不好用。

五、FDE 视角：任务定义就是需求访谈的下半场

• 客户说"我们要用 AI 处理合同"——用两步定位法追问：目标是分类、抽取还是摘要？（三类任务要的模型能力完全不同）输入是扫描件还是电子文本？（决定要不要 OCR 环节）
• 给客户的选型报告按"任务标签 → 候选清单 → 筛选条件 → 流水线图"组织，比罗列模型参数更能体现专业度；
• 多模型流水线的格式衔接方案要写进技术方案，这是客户集成团队最常踩的坑。

本课自测

1. 两步定位法是哪两步？请把"从客服录音里找出客户投诉点"定位成具体任务。
2. 商用筛选模型时，哪个筛选条件是必选项？
3. 通用大模型和专用模型各自的最佳使用时机是什么？
4. 多模型流水线里最容易被低估的工程成本是什么？