（问题）当前——大模型能力快速提升——但实际应用中仍面临三上瓶颈：一是推理成本高、能耗与资源占用大，限制手机、车载等终端侧落地；二是跨文本、图像等多模态信息的统一理解仍不充分，难以稳定支撑复杂交互；三是在开放式问答中偶发不准确内容，即业内所称“幻觉”，影响公众信任与合规使用。如何在“更强能力”与“可控成本”“可信输出”之间取得平衡，已成为产业与学界共同关注的问题。 （原因）业内普遍认为，过去一段时间的大模型性能提升在一定程度上依赖更大参数规模与更强算力投入，推高了训练与部署门槛。此外，多模态任务涉及不同数据分布与对齐机制，若仅通过数据拼接或模块叠加，难以形成接近类人水平的统一表征。此外，大模型以概率方式生成内容，若缺少有效的知识约束与推理校验，容易在长链推理和专业问题上出现偏差。 （影响）小米披露的信息显示，罗福莉团队近期发表的研究将“高效推理”作为突破方向之一，通过改进注意力计算方式，使模型在处理长文本或复杂信息时更聚焦关键内容、减少无效计算，从而降低推理开销。业界认为，这类方法若继续成熟，有望为大模型向终端侧扩展提供可行路径，推动智能手机、智能座舱、可穿戴设备等场景的本地化应用，同时提升响应速度与隐私保护能力。与此同时，其多模态研究强调在统一架构下实现跨模态线索融合，使模型不仅“看得见、听得到”，还能将视觉、文本等信息整合为更完整的语义理解，为智能问答、内容创作、图像理解与交互式服务带来更自然的用户体验。 （对策）围绕可信与可控，有关论文提出将结构化知识与训练策略结合：一上借助知识图谱等外部知识约束，减少模型事实性问题上的随意生成；另一上引入强化学习等方法，促使模型回答中形成更清晰的推理链条与校验机制，提高复杂科学问题与专业问答的严谨性。业内人士指出，随着大模型进入教育、政务与公共服务等领域，可信性已不只是技术指标，也关系到内容安全与社会治理。企业在提升模型能力的同时，还需同步完善数据治理、评测体系、风险防控与人机协同流程，形成“能用、好用、放心用”的产品闭环。 （前景）从更宏观的产业趋势看，大模型正从“规模驱动”转向“效率驱动”和“场景驱动”。一上，提升单位算力产出、降低部署门槛，将直接影响大模型的普惠程度；另一方面，多模态与推理能力将成为新一轮竞争焦点，推动智能终端从“工具型助手”向“综合型助理”演进。随着研究成果持续转化，未来在科普教育、信息检索、智能办公与创作辅助等领域，大模型有望承担更可靠的知识支撑与交互入口角色，但其应用边界与责任仍需更清晰的制度与行业规范加以保障。
大模型发展进入“精耕细作”阶段：不仅要更强，也要更省、更稳、更可控。以高效推理拓展落地空间，以多模态能力提升交互体验，以可靠性建设夯实信任基础，技术进步才能真正转化为可感、可用的公共价值。面向未来，基础研究投入、工程化能力与治理体系的完善，将共同决定智能技术的上限与受益人群的广度。