韩国研究：70亿至80亿参数本地小模型在支持性与文化适配度上接近GPT-4o，安全性评分仍显著落后
PubMed收录的《JMIR AI》摘要显示，研究者用韩国心理健康App（Maeumpyeonuijeom）的1558条日记式咨询互动微调三款70亿至80亿参数小模型，并由10名精神科专科医生按个体化、支持性、文化适配性和安全性4个维度评分。
SKT A.X 4.0 Light在支持性与文化适配度上与GPT-4o无统计学差异，但所有小模型的安全性评分均显著低于GPT-4o。
研究为本地部署、保护隐私的心理AI（人工智能）提供可行性线索，但安全性差距意味着仍需人类专家监督。
研究基于韩国心理健康移动应用Maeumpyeonuijeom的1558条日记式咨询互动构建数据集，对SKT A.X 4.0 Light（7B）、LG EXAONE 3.5（7.8B）和Meta Llama 3.1（8B）进行高秩LoRA（低秩适配，r=256）微调20轮，并用GPT-5作为LLM-as-a-Judge（大模型裁判）优化推理参数。
10名平均临床经验约10年的精神科专科医生对50个咨询场景按个体化、支持性、文化适配性和安全性4个维度进行5分制评分。 SKT A.X 4.0 Light在支持性（均值3.39 vs 3.45，P=.26）和文化适配度（均值3.30 vs 3.29，P=.58）上与GPT-4o无统计学显著差异，文化适配度排名第一。
评分者一致性方面，本地小模型在文化适配度上的ICC（组内相关系数）为0.575，GPT-4o为0.211。 GPT-4o的安全性评分显著高于所有小模型（P<.001）。 LLM-as-a-Judge与人类评价呈中至良好相关，但在安全性评分上出现天花板效应。 该来源为PubMed摘要，未获取全文。
研究提供的可核对比较证据是：小参数模型经本地语料微调后，在支持性和文化适配度上可接近通用大模型，这为隐私敏感场景下的本地化部署提供了技术路径线索。 但安全性维度的一致性落后，说明文化适配与临床安全并非同一能力，不能把“无显著差异”扩展为整体等效。 LLM-as-a-Judge在安全性上出现天花板效应，也提示自动评分不宜替代专家审核。
后续观察信号
- 检索该研究的全文及补充材料
- 追踪韩国心理健康App场景中本地模型的实际部署与监管表态