这篇文章对小语言模型（SLMs）与大语言模型（LLMs）的协作展开了系统性综述，核心是围绕四大协作目标构建分类框架，既填补了现有研究在协作目标整合分析上的空白，又为后续研究提供了清晰方向。一、文章主要内容文章以SLM-LLM协作的“目标”为核心线索，分模块展开论述，整体结构如下：研究背景：LLMs虽在多领域表现突出，但存在微调成本高、推理延迟、边缘部署难、可靠性不足等问题；SLMs虽规模小、效率高、易部署，但通用推理和知识覆盖能力弱，二者协作可实现优势互补。四大协作目标及对应方法性能提升：通过“引导生成”（LLM引导SLM生成、SLM引导LLM生成）和“分工融合”（并行集成、顺序协作）两种范式，结合SLM的领域专业性与LLM的通用推理能力，提升任务表现。成本效益：在模型生命周期三阶段优化成本，预训练阶段通过数据筛选、协同课程学习等降低计算量；调优阶段通过选择性知识蒸馏、代理迁移减少资源消耗；推理阶段通过级联路由、推测解码等优化开销。云边隐私：推理阶段让边缘SLM充当“敏感信息守门人”（清洗/匿名数据）或“全信息守护者”（本地处理隐私数据）；调优阶段通过SLM学习、LLM学习、协同学习三种范式，平衡隐私与模型性能。可信度：通过“安全引导解码”（直接对数融合、偏移对数融合）和“守护者-生成者”（SLM过滤输入/审计输出）两种形式，解决LLM幻 这篇文章对小语言模型（SLMs）与大语言模型（LLMs）的协作展开了系统性综述，核心是围绕四大协作目标构建分类框架，既填补了现有研究在协作目标整合分析上的空白，又为后续研究提供了清晰方向。一、文章主要内容文章以SLM-LLM协作的“目标”为核心线索，分模块展开论述，整体结构如下：研究背景：LLMs虽在多领域表现突出，但存在微调成本高、推理延迟、边缘部署难、可靠性不足等问题；SLMs虽规模小、效率高、易部署，但通用推理和知识覆盖能力弱，二者协作可实现优势互补。四大协作目标及对应方法性能提升：通过“引导生成”（LLM引导SLM生成、SLM引导LLM生成）和“分工融合”（并行集成、顺序协作）两种范式，结合SLM的领域专业性与LLM的通用推理能力，提升任务表现。成本效益：在模型生命周期三阶段优化成本，预训练阶段通过数据筛选、协同课程学习等降低计算量；调优阶段通过选择性知识蒸馏、代理迁移减少资源消耗；推理阶段通过级联路由、推测解码等优化开销。云边隐私：推理阶段让边缘SLM充当“敏感信息守门人”（清洗/匿名数据）或“全信息守护者”（本地处理隐私数据）；调优阶段通过SLM学习、LLM学习、协同学习三种范式，平衡隐私与模型性能。可信度：通过“安全引导解码”（直接对数融合、偏移对数融合）和“守护者-生成者”（SLM过滤输入/审计输出）两种形式，解决LLM幻