模型参数是什么？理解权重、偏置与参数量的实际含义
用简单预测公式解释权重和偏置，区分模型参数、超参数与上下文，并说明查看参数量、量化精度和模型文件时应避免的误解。
先理解这个概念
模型参数是模型在训练中学到的数值，例如权重与偏置。推理时这些数值参与输入到输出的计算。参数量表示有多少这样的参数，不表示存了多少条可直接查出的事实，也不能单独衡量回答质量。用户设置的温度或最大输出长度通常属于运行配置，和训练得到的模型参数不是同一回事。
权重和偏置可以从简单公式理解
在简单的预测式中，可以把结果写成输入乘以权重后再加上偏置。训练根据样本调整这些数值，减少预测与目标之间的差距。大型神经网络使用更复杂的组合，但参数作为计算中的可学习数值，这一点没有变。
例如预测包裹处理时长，模型可能学习件数与等待时间的关系。它不能把某一个权重直接解释成所有仓库都适用的固定因果规则。关系取决于数据与任务，参数本身也不自动提供对每次预测的完整解释。
参数量和运行设置不是同一个数字
学习率等超参数由训练配置指定，权重通常由训练过程学习。聊天接口中的温度又影响生成时的采样方式，不会因为调高温度就增加模型的参数量。比较模型时，应先分清正在讨论训练设置，还是已经训练完成的数值。
同样的参数数量可以采用不同数值精度保存，文件大小也会受到量化和打包方式影响。下载文件较小，不能直接推出参数更少；加载时还可能需要分词器或其他配置。应结合模型卡查看结构，而不是只看压缩包大小。
评价能力需要检查任务表现和资源
更大的模型可能覆盖更多任务，但数据质量和训练方法同样影响结果。挑选用于工单分类的模型时，应比较相同标签和测试邮件，再检查错误是否集中在某类表达。参数数量不能替代这些检查，也不能保证专用任务上的优势。
部署时还应记录实际内存占用和完整输出耗时，不能仅按参数量估计所有运行开销。上下文缓存和并发请求都会增加资源需求。本文没有运行具体模型给出容量承诺，参数量只作为理解模型结构的一项信息。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。