Dari sudut pembinaan sistem operasi logistik, OpenAI terus menurunkan kos kecerdasan peringkat hadapan, manakala model seperti DeepSeek semakin cekap untuk bebanan pembangunan dan kerja-kerja agentic.
Dalam pembangunan sistem kami di AINNA, kami menggunakan OpenAI sebagai model pengajar untuk distilasi.
Objektifnya bukan untuk menghantar setiap tugas operasi ke model paling maju secara kekal.
Kami gunakan model berkeupayaan tinggi di mana kecerdasannya menghasilkan nilai paling tinggi:
训练. 推理. Evaluation. 蒸馏.
Kemudian kami alihkan bebanan kerja berulang dan berkhusus ke model yang lebih cekap, model tempatan, sistem berkhusus, dan proses deterministik.
Satu perkara yang saya perhatikan semasa pembinaan sistem adalah perbezaan dalam tingkah laku token.
Sesetengah model boleh menggunakan jumlah konteks yang sangat besar semasa tugas pembangunan dan agentic yang panjang.
Dengan DeepSeek, terutamanya untuk bebanan pembangunan, kami berjaya menjalankan tugas besar tanpa sentiasa mencapai had token.
Ini membawa kepada satu soalan penting:
模型 AI terbaik tidak semestinya model yang perlu digunakan untuk setiap tugas.
Satu seni bina yang lebih baik mungkin kelihatan seperti ini:
模型 OpenAI peringkat hadapan → Pengajar / Distilasi
LLM / SLM cekap → Kecerdasan berkhusus
系统 terpisah → Bebanan kerja deterministik berulang
Pengalihan pintar → Memilih lapisan yang sesuai untuk setiap tugas
Inilah di mana ekonomi AI menjadi menarik.
Apabila kecerdasan peringkat hadapan menjadi lebih murah, kita boleh menggunakannya untuk mencipta dan menambah baik kecerdasan kecil dan berkhusus, berbanding membayar kos model hadapan untuk setiap operasi.
Bagi perusahaan 中小企业, ini boleh mengubah ekonomi penggunaan AI secara asas.
Keunggulan daya saing tidak akan datang sekadar daripada akses ke model terbesar.
Ia akan datang daripada pengetahuan:
model mana yang hendak digunakan, bila hendak menggunakannya, apa yang perlu didistilasi, dan apa yang tidak sepatutnya menggunakan LLM langsung.
Itulah arah pembinaan sistem kami di AINNA NeuralOps.
#Artificial智能 #AI基础设施 #OpenAI #DeepSeek #模型蒸馏 #AgenticAI #LLM #SLM #AIAgents #中小企业 #NeuralOps
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
文章对kami berjaya menjalankan tugas besar的结论比较平衡，不只是强调好处。
关于manakala model seperti deepseek semakin的实际落地部分最吸引我。
总结部分让satu perkara yang saya perhatikan的重点更加清楚。
关于kemudian kami alihkan bebanan kerja的说明很完整，基础部分尤其清楚。