四 系统评估与优化4.2模型选型在网安研途智能体的开发过程中核心决策之一是如何选择合适的LLM作为底层引擎。该模型不仅需要理解复杂的网络安全科研问题还需在本地部署或云端API之间权衡隐私、成本、响应速度与生成质量。本节详细阐述模型选型的考量因素、测试过程及最终选择并说明为何Ollama本地部署的Qwen3 4B模型成为当前最佳实践方案。网安研途旨在构建一个面向网络安全科研人员的个人知识管理助手因此模型选型需同时满足准确性对专业术语的理解、隐私性数据不出本地、响应速度、可控性、成本长期运行经济可承受等多维指标。本次项目主要考察了两大类模型本地部署的开源模型和云端商业API模型。本地部署候选包括阿里通义实验室的 Qwen3系列0.6B、1.7B、4B、8B以及多模态变体 Qwen3-VL2B、4B云端API则测试了DeepSeek、豆包字节跳动、文心一言百度等国内主流服务。测试统一使用相同的提示模板。其中0.6B和1.7B模型因参数量过小对复杂网络安全术语理解不足生成答案常缺失关键细节。8B模型虽准确率最高但显存占用较大若多用户并发可能导致延迟且量化后精度有所下降。多模态模型在本场景中优势不明显但可作为未来扩展如解读论文图表的备选。云端API准确率普遍较高得益于更大规模的模型响应时间也可接受。但主要问题在于数据隐私用户查询可能包含未公开的论文内容或科研思路上传至云端存在泄露风险不符合网络安全科研的保密要求。随着使用量增加长期运行费用可观且依赖网络稳定性。最终Qwen3-4B 本地部署模型脱颖而出成为网安研途智能体的核心引擎。