车载助理需要把自然语言请求转化为车辆功能调用，受限于内存和延迟，小语言模型（SLM）适合本地部署。关键设计是函数表面的呈现方式：功能标记（FT）或在提示中直接提供函数模式（SIP）。
FT 为每个函数分配专用标记，推理紧凑，但只能调用训练期间见过的函数；SIP 把函数模式写入提示，能够推广到未见函数，但提示更长，推理开销更高。
我们构建了包含 79 个 Android Automotive 函数、9822 条单轮对话的基准，涵盖已见函数、未见函数以及需要拒绝的请求。
在四种规模的 SLM（270M‑1.7B）上进行匹配微调比较。对已见函数，模型规模提升收益有限，270M 已能匹配 1.7B，最佳整体表现出现在 0.6B。对未见函数，FT 按设计准确率为 0，SIP 能推广且随规模提升显著改善。对超出范围请求，FT 有时会错误调用已学到的不可用函数，而 SIP 更倾向于基于提供的函数列表拒绝。
这种灵活性伴随更高的显存占用和推理时延。理论分析表明，SIP 通过显式模式实现函数概念的泛化，模式长度越长推理成本越高。
结论是函数表面表示方式比单纯扩大模型规模更决定 SLM 在车载函数调用中的能力和失效模式。点评