评估 AI 供应商时除了模型参数还该看什么

模型参数容易比较，也容易被当作主要依据。但参数只说明模型的规模，不说明它在具体环境里能否稳定运行、出问题时能否被定位。供应商评估的实质，是判断对方能否把这件事长期做下去。

参数之外先看工程化能力

同一套模型，交给不同的团队落地，结果可能差别很大。差异来自工程化能力：设备适配是否做过、部署流程是否可重复、版本管理是否规范。

判断方法之一是看对方的交付文档。文档里是否写清了支持的设备类型与系统版本，是否说明了部署前置条件，是否有升级与回退的操作步骤。这些内容写不出来的团队，实际交付时通常也需要现场临时摸索。

另一个观察点是问题响应方式。面对一个说不清的现象，对方是先复现再判断，还是直接给结论。前者更接近工程做法，这通常在几次沟通中就能判断。

看它怎么处理失败情况

系统不出问题的假设是不成立的。评估的重点之一，是看方案在异常情况下的表现。

可以要求供应商说明几类情况的处理方式：模型输出不符合预期时如何拦截，服务中断时如何降级，数据异常时如何隔离。这些机制的完备程度，比模型在标准测试集上的分数更能反映方案的成熟度。

也可以要求现场演示。让供应商在面对未见过的输入时操作一遍，观察其处理路径。演示用的是准备过的样例，还是现场输入的数据，两者说明的问题不同。

看长期维护与退出成本

AI 项目的成本不止在建设期。上线之后的模型更新、故障处理、能力扩展，都需要持续投入。评估时要问清楚这部分由谁负责、以什么方式计费。

退出成本同样需要考虑。如果方案高度依赖供应商的专有组件，数据与配置难以迁移，后续续约的议价空间就会变小。较为稳妥的做法是在合同中约定数据导出方式与接口标准，把迁移能力作为交付内容之一。

供应商的技术路线是否稳定，也值得关注。更新频率过低，可能说明投入不足；变化过频，则可能带来升级负担。评估时可以要求对方提供近期的版本变更记录，用以判断其更新节奏是否与自身运维能力匹配。