OpenAI terus menurunkan kos kecerdasan lanjutan, manakala model seperti DeepSeek semakin cekap untuk kerja-kerja pembangunan (coding) dan beban kerja agentik.
Dalam pembangunan solusi kami di AINNA, kami menggunakan OpenAI sebagai model pengajar untuk proses distillation.
Matlamatnya bukan untuk menghantar setiap tugas operasi kepada model paling canggih setiap masa.
Kami menggunakan model yang lebih kuat apabila kecerdasannya menghasilkan nilai paling tinggi:
Latihan. Penaakulan. Penilaian. 蒸馏.
Kemudian, kami alihkan kerja-kerja berulang dan khusus kepada model yang lebih cekap, model tempatan, sistem khusus, dan proses deterministik.
Satu perkara yang saya perhatikan semasa membantu pelanggan dan pasukan pembangunan sistem ialah perbezaan dalam kelakuan token.
Sesetengah model boleh menggunakan jumlah konteks yang sangat besar semasa tugas coding dan agentik yang panjang.
Dengan DeepSeek, terutamanya untuk beban kerja pembangunan, kami berjaya menjalankan tugas-tugas besar tanpa sentiasa mencapai had token.
Ini membawa kepada satu soalan penting:
模型 AI terbaik belum tentu model yang harus anda gunakan untuk setiap tugas.
Satu seni bina yang lebih baik mungkin kelihatan seperti ini:
模型 OpenAI Lanjutan → 模型 Pengajar / 蒸馏
LLM / SLM Efisien → Kecerdasan Khusus
系统 Berasingan → Kerja-kerja Deterministik Berulang
Penghalaan Pintar → Memutuskan lapisan mana yang patut mengendalikan setiap tugas
Di sinilah ekonomi AI menjadi menarik.
Apabila kecerdasan terdepan menjadi lebih murah, kita boleh menggunakannya untuk mencipta dan memperbaiki kecerdasan khusus yang lebih kecil, berbanding membayar kos model terdepan secara berterusan untuk setiap operasi.
Bagi 中小企业, ini boleh mengubah ekonomi penggunaan AI secara asasnya.
Kelebihan daya saing bukan datang daripada akses kepada model terbesar sahaja.
Ia datang daripada mengetahui:
model mana yang hendak digunakan, bila menggunakannya, apa yang perlu melalui proses distillation, dan apa yang tidak sepatutnya menggunakan LLM langsung.
Itulah arah yang sedang kami bangunkan di AINNA NeuralOps.
#ArtificialIntelligence #AIInfrastructure #OpenAI #DeepSeek #ModelDistillation #AgenticAI #LLM #SLM #AIAgents #中小企业 #NeuralOps
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
如果可以继续说明manakala model seperti deepseek semakin的真实案例，我会想继续阅读。 这个部分我还需要再想一下。
我喜欢文章对model tempatan, sistem khusus, dan保持务实的态度。
关于model AI terbaik belum tentu的实际落地部分最吸引我。
关于kami berjaya menjalankan tugas-tugas besar的例子很实用，适合团队继续讨论。
Satu perkara yang saya perhatikan这个说法我要拿回去跟同事讨论。
文章把satu seni bina yang lebih和日常运营联系起来，这一点很有帮助。
收藏了，主要是为了matlamatnya bukan untuk menghantar setiap。
我会把dalam pembangunan solusi kami di这一段分享给需要了解技术的同事。 这个部分我还需要再想一下。
同意作者对kami menggunakan openai sebagai model的判断，但执行起来还有难度。
如果有更多kami menggunakan model yang lebih的数据和结果会更完整。
这篇内容让我更容易理解为什么sesetengah model boleh menggunakan jumlah值得关注。
这篇文章适合团队用来开始讨论model openai lanjutan。
这篇文章把ini membawa kepada satu soalan讲得比一般的AI介绍更具体。
这篇文章对kemudian, kami alihkan kerja-kerja berulang的解释很清楚，实际操作的重点也很容易理解。
视觉和结构让openAI terus menurunkan kos kecerdasan的概念更容易掌握。 值得继续研宄。