专科医生，打赢了名医：Samaya Sterling 这道“小模型”题怎么算
Samaya 发布金融研究模型 Sterling：基于 30B 总参、3B 激活的 Nemotron 3.5 Lightning，在自家基准 FrontierFinance 上 58.9%，每题 $0.61，均为官方自报。
去医院看病，你是挂一个什么都懂的名医，还是挂一个专科医生？
很多人的第一反应是：当然挂名医。名医经验多，见得广。
但如果你得的是一个很具体的病，比如膝盖的半月板损伤呢？
你可能会发现，那个只看膝盖的专科医生，看得更准，排队更短，挂号费也更便宜。
为什么？
因为专科医生不是“更聪明”，而是“更适用”。
谈优劣性，不如谈适用性。
这个道理，最近在 AI 里又被验证了一次。
据 Samaya 官方博客和 MarkTechPost 报道，金融研究公司 Samaya 发布了一个叫 Sterling 的研究模型。
它基于 NVIDIA 的 Nemotron 3.5 Lightning，总参数 30B，每次只激活 3B。
在 Samaya 自家的金融研究基准 FrontierFinance 上，它拿到了 58.9%，高于 Claude Fable 5.1 的 55.9%（官方自报）。
而每道题的成本，是 $0.61 对 $6.89，官方称成本低 11 倍。
一个只激活 3B 的“专科医生”，打赢了一个前沿大模型“名医”。
这是怎么做到的？
什么叫“专科”
要理解 Sterling，必须先理解一个问题：一个好的研究员，到底强在哪里？
是知识多吗？
不全是。
一个好的金融研究员，强在三件事：知道该去哪里找证据，知道下一步该查什么，知道最后怎么把结论写清楚、写有出处。
知识是底子，方法才是本事。
Sterling 的设计，就是把这三件事拆开。
据官方介绍，它的结构分两层： - 一个研究 agent，负责收集证据、规划下一步 - 一个报告撰写模型，负责把最后的研究结果写成带引用的报告
同时，外面还套着一层 harness。
这层 harness 会压缩长长的研究轨迹和工具返回的结果，让一个小模型也能做很长的研究，而不至于被信息淹没。
这就像一个专科医生，身边配了一个整理病历的助理，和一套标准化的检查流程。
医生只需要盯住关键判断。
专科 = 底子 × 训练 × 工具
我把 Sterling 的配方，抽象成一个简单的乘法：
专科能力 = 底子 × 训练 × 工具
为什么是乘法，不是加法？
因为任何一项接近零，结果就接近零。
底子，是 Nemotron 3.5 Lightning 这个基座。
训练，是 Samaya 做的四个阶段。据官方介绍，他们用 LoRA，在 Thinking Machines 的 Tinker 训练 API 上，依次做了： - 两段 SFT，教师是 Kimi K3，用 8 种研究策略作答，每道题留最好的答案 - 一段离线 RL - 一段在线 GRPO
工具，就是前面说的那层 harness。
关键在于，Samaya 不是先训好模型、再随便套个工具，而是让小模型和 harness 一起训练。
这一点很重要。
就像培养专科医生，不是先让他读完书，再扔进一个陌生的医院。而是从实习第一天起，就在这家医院的流程里练。
训练一步步推进，分数也一步步上来。
据官方数据，FrontierFinance 上的成绩从起点的 42.5%，依次到 51.4%、54.8%、57.5%，最后到 58.9%。
还有两个变化，我觉得比总分更值得看。
第一，在最难的三分之一题目上，成绩从 31.8% 提到了 45.2%。
第二，每道题调用工具的中位数，从 3 次变成了 17 次。
这说明什么？
说明它不是“更会猜答案”了，而是“更愿意去查”了。
难题之所以难，是因为答案不在脑子里，在资料里。
愿意多查几次的研究员，才答得出难题。
账单，怎么看
商业的本质，是效率。
一个研究工具，最后要回答的是一道算术题：花多少钱，办成多少事？
官方给的几组数字是这样的（均为官方自报）： - 标准模式：58.9%，每题 $0.61，延迟 282s - 对比的 Claude Fable 5.1：55.9%，每题 $6.89，延迟 268s - 高强度模式：60.6%，每题 $1.83，延迟 372s
注意那个延迟。
Sterling 并不更快。标准模式比对手还慢一点，高强度模式更慢。
所以它赢的不是速度，是成本。
还要补一句：据 Samaya 榜单页的说明，其他系统的成本没有算进搜索和数据费用。
对一个每天要跑大量研究任务的金融机构来说，这道题怎么选？
我们做两个假设。
假设是一个需要秒回的场景，比如交易员盯盘时随手一问，延迟可能比成本更重要。
假设是一个后台批量跑的场景，比如每天早上给一长串公司出研究简报，成本就是第一位的，多等一会儿没人在意。
没有更好的工具，只有更适用的场景。
先打三个问号
讲完了好的一面，我们也要冷静。
做咨询的人，常说一句话：看到一个好结果，先问它的边界条件。
没有边界条件的结论，就像没有说明书的药。
Sterling 这个结果，至少有三个边界条件。
第一，基准是谁家的？
FrontierFinance 是 Samaya 自己做的基准。据官方介绍，它有 220 道公开题，用专家写的评分细则（rubric）打分；据 MarkTechPost 报道，打分的是一个由三个模型组成的评审团。
团队称，他们没有用基准题来训练，而是用 100 道内部验证题来挑选检查点。
这是一个负责任的说法。但自家出题、自家考试，结果再好，也需要第三方复现来确认。
第二，赢的是哪个领域？
Sterling 是金融研究的专科医生。它在金融研究上赢了，不代表它在写代码、做翻译上也能赢。
专科的另一面，就是窄。
第三，小团队，能走多远？
据 MarkTechPost 报道，这个项目起初只有 2 个人，这是 Maithra Raghu 在 X 上的说法。
小团队能做出这样的结果，说明门槛在降低。但从一个好结果，到一个长期稳定的产品，中间还有很长的路。
给企业的三个动作
如果你是一家企业的负责人，正在考虑怎么用 AI，Sterling 能给你什么启发？
我的建议是三个动作。
1. 先找到你的“膝盖”
不要问“哪个模型最强”，要问“我们最高频、最具体的那个任务是什么”。专科的前提，是有一个足够具体的科室。
2. 把方法写下来
Sterling 的 harness，本质上是把研究员的方法变成了流程。你的公司里，最好的那个员工是怎么干活的？把它写下来，它就是你未来训练 AI 的教材。
3. 算清楚每一单的账
不要只看准确率。把每次任务的成本、等待时间都摆出来，再决定用名医，还是用专科医生。
站内之前写过同一家族的 Nemotron 3.5 Bolt，那篇讲怎么把大模型塞进小机器，这篇讲怎么把小模型训成专家，可以对照着看。
最后的话
过去很长一段时间，大家都在比谁的模型更大、更全能。
这当然有价值。
但商业世界里，大部分钱，是在一个个具体的科室里赚的。
名医很重要。
专科医生，可能更赚钱。
不要羡慕别人什么都会，要让自己在一件事上，无可替代。
来源：Samaya 官方博客（2026-10-28）；FrontierFinance 榜单页；MarkTechPost 报道（2026-10-30）。成绩、成本、延迟均为 Samaya 官方自报，FrontierFinance 为 Samaya 自家基准；SFT 教师为 Kimi K3（8 种研究策略），据官方博客；三模型评审团与“2 人项目”据 MarkTechPost，后者引述 Maithra Raghu 在 X 上的说法；榜单页注明其他系统成本未含搜索与数据费用；名医与专科医生的比喻为作者看法。