并非一切都需大模型：生产环境中提升方法、嵌入与规则更胜一筹

在叶卡捷琳堡举行的UWDC 2026会议上，就大型语言模型（LLM）、经典机器学习（ML）与传统开发之间的选择展开了讨论。与会者包括DAR的人工智能工程师卡米尔·沙基罗夫、RUTUBE的机器学习工程师尼基塔·奥夫钦尼科夫，以及Yandex Practicum的数据科学/数据科学+技术负责人扬·阿尼西莫夫。他们一致认为，企业通常需要的不是通用模型，而是能够有效解决特定问题的系统。经典机器学习凭借其可预测性、确定性和易于验证的特点胜出：模型可以用业务方能理解的指标进行测试。另一方面，LLM能给出令人印象深刻的答案，但会产生幻觉，需要持续监控并每三个月更新一次，而且推理成本高昂。在实践中，采用底层规则和启发式、中层ML、上层LLM的混合架构可以降低成本并提高质量。LLM结果的验证仍是一大挑战，需要人工标注和额外的工具支持。专家指出，将ML与LLM对立起来是不正确的——每种方法都适用于各自的任务。