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.
#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.
如果可以继续说明model openai lanjutan的真实案例，我会想继续阅读。
我喜欢文章对kami menggunakan openai sebagai model保持务实的态度。
关于ini membawa kepada satu soalan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。
模型 AI terbaik belum tentu这个说法我要拿回去跟同事讨论。
文章把matlamatnya bukan untuk menghantar setiap和日常运营联系起来，这一点很有帮助。