嘉宾认为，训练小模型并非只有 AI 博士或顶尖实验室才能完成，借助开源底座、现成工具和较低成本，个人也能围绕具体场景快速完成训练。完整流程中，真正决定效果的不是算力，而是场景选择、数据工程、质量评估与持续迭代。数据既是最大瓶颈，也构成模型能力的核心壁垒；合成数据需要与公开数据、真实反馈和人工复核结合，并通过反复实验弥补小模型与教师模型之间的 Capacity Gap。相比追求 Benchmark，蒸馏和后训练更应服务于真实的 Agentic、Coding 等需求。随着训练流程商品化和硬件成本下降，应用公司可能逐步建立自己的模型团队，成为 “Neo Lab”，而 AI Lab 更专注基础模型与前沿研究。未来，隐私、安全、成本和个性化需求或将推动 Local AI 普及，但用户是否选择本地模型，仍取决于具体场景与性价比。