Qwen3-4B

从现有证据看，Qwen3-4B值得采用为“轻量本地/可微调通用模型”候选，但更适合当成本地基座，而不是直接当作无需调参即可替代大模型的万能助手。采用判断主要来自较多实测与训练记录：有 Apple M4 本地推理对比，也有 24GB 显卡上的 GRPO 训练记录；这些比转发帖更能说明它确实能跑、也确实有人在拿它做训练与部署。另一方面，X 上高传播的蒸馏帖更多证明“受关注”，不能单独证明原版模型稳定达到同等效果。

它的实际作用更接近“小型开源通用底座”或“可本地部署的 4B 级助手模型”，不是自动化工作流平台、也不是开箱即用的企业 Agent 产品。证据显示它被用于本地聊天推理、Transformers/Ollama 部署对比、RL/GRPO 训练，以及蒸馏后的能力放大讨论。更准确的类比是：它像 Llama 3.2 3B / Gemma 小模型这一类可部署、可量化、可再训练的基础模型，而不是 Cursor、Zapier 或 Perplexity 这类完整应用。

门槛和成本方面，现有证据能支持“硬件进入门槛相对低”，但不能支持统一成本承诺。知乎实测表明它可在 Apple M4 MacBook Pro 本地运行，也有作者在 24GB 显卡上做 GRPO 训练；这说明推理与小规模训练对个人开发者可达。关于“手机也能跑”与“极低成本”更多属于官方宣传或社区说法，能说明方向，不等于稳定体验保证。此次证据里没有可靠的官方 API 定价，因此不能写成固定费用；若要部署，成本更适合保守理解为“低于大模型，但仍取决于量化、上下文长度和吞吐目标”。

适合的人群是：想做本地推理、边缘部署、蒸馏实验、SFT/RL 微调、或需要在有限显存里反复试验的小团队与个人开发者。不太适合把它当成零配置高胜率商业助手的人，尤其是对复杂长流程、强工具调用、稳定幻觉控制有严格要求的场景。社媒共识整体偏正面：官方和媒体稿强调小模型性能提升，知乎有一些实测和训练教程，讨论质量中等偏好；但 X 侧高热内容以转发和夸张蒸馏叙事为主，热度高于可复现实证。综合看，evidenceSources 属于“教程/实测有一定占比，但样本仍有限，且热度证明明显强于好用证明”的类型。