企業導入 AI 時，最常問的是目前哪個通用模型最強？但對真正需要把 AI 放進日常流程的企業來說，這個問題可能問錯了。
模型在公開測試中得分最高，不代表它能準確處理公司的會計規則、內部系統與審批流程。企業真正需要比較的，是哪個模型能以合理的成本與延遲，穩定完成指定任務。
當通用模型無法滿足這項要求時，開源權重模型的專業化微調，便可能成為更合適的選擇。
權重模型讓企業取得 AI 的核心系統
首先，先分清楚兩個容易搞混的詞。「通用模型」指用途廣泛的 AI，能寫文章、整理資料、回答問題、協助寫程式；「開源權重模型」則是企業可取得模型內部最核心的一組數值，自行下載部署、調整。
兩者並不互斥，差別不在於模型會做多少事，而在於企業能不能掌握、修改它。
我們可以把 AI 模型想成一台調校好的機器，訓練時開發者反覆調整內部數值，讓模型學會理解文字、產生答案，這些數值就是「權重」。開放權重的話，企業拿到的就是機器完整的調校結果，可以裝進自己的伺服器，並用內部案例繼續訓練。
Claude、OpenAI 等閉源模型則不公開權重，企業只能透過 API 使用，調整空間也受限於供應商介面。
換句話說，兩者的差異是控制權。閉源模型像租一套持續更新的服務，開源權重模型則是企業自己掌握位置與資料流動，但也要扛起更多治理責任。
通用模型在企業專業流程上力有未逮
通用模型擅長寫作、摘要與寫程式，但放進企業流程就不一樣，因為 AI 得讀文件、登入系統、依公司規則判斷，再把結果往下傳，前面一步錯後面就全盤跟著偏誤。
以會計工作為例，推理模型早就能通過會計師考試，但在 FinBalance——一項要求 AI 依序完成分錄、對帳、產出資產負債表的會計能力基準測試中，六款大型語言模型表現最好的準確率也只有 46%。
問題不是模型不懂會計，而是它無法穩定把憑證、分錄、報表一路串到流程終點都不出錯。
這正是通用模型最大的落差，它們懂專業知識，不代表能可靠做完一整套工作。任務若只是偶爾寫文案、整理會議紀錄，通用模型通常夠用；但若任務範圍明確、需要大量重複執行，且每次都有可衡量的對錯答案，企業就該考慮專業化微調。
專業化微調如何補上這個落差？
微調的價值不只是把文件塞進模型，而是讓模型像專家一樣完成工作，包括知道該參考什麼資訊、何時該呼叫哪個工具、怎麼判斷、遇到例外怎麼處理。
不過微調不是一次性工程，流程一變模型就要跟著更新；長期而言，真正值錢的是累積下來的訓練案例與流程知識。
不過，開源權重模型也帶來新風險。Anthropic 執行長 Dario Amodei 強調他不主張全面禁止，不具危險能力的模型反而能創造價值；但能力足夠強大的模型一旦放出就難以收回，因此不論開放或封閉，模型都該接受相稱的安全測試，企業也要接下存取管理與監控的責任。
企業應逐步轉化為由自己掌握的專業模型與組織資產？
如果工作任務變化大、使用量不高，企業也缺乏維運能力，直接使用通用模型通常更有效率。若任務明確、重複量大，企業又擁有足夠的專業案例，並對資料位置、延遲或治理有特殊要求，微調開源權重模型才更可能發揮價值。
不過，通用模型與專業模型未必只能二選一。企業更可能以通用模型處理探索性工作，再把高頻率、穩定且具有競爭價值的流程，逐步轉化為由自己掌握的專業模型與組織資產。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
＊本文開放合作夥伴轉載，參考資料：《Forbes》、Anthropic，圖片來源：unsplash
（責任編輯：鄒家彥）
