“ 大模型价格战，一鲸落而万物生，应用放量越来越快了”OpenAI 致力于让智能尽可能广泛地可及。7月18日，公司宣布推出 GPT-4o mini，这是迄今为止性价比最高的小型模型。我们预计 GPT-4o mini 将显著扩大 AI 应用的范围，因为它使智能变得更加实惠。GPT-4o mini 在 MMLU 上得分 82%，并且在 LMSYS 排行榜上，在聊天偏好方面优于 GPT-4。其价格为每百万输入 tokens 15 美分和每百万输出 tokens 60 美分，比以前的前沿模型便宜一个数量级，比 GPT-3.5 Turbo 便宜超过 60%。GPT-4o mini 通过其低成本和低延迟支持广泛的任务，例如链式或并行多个模型调用（如调用多个 API）、向模型传递大量上下文（如完整的代码库或对话历史记录），或通过快速、实时的文本响应与客户互动（如客户支持聊天机器人）。
GPT-4o mini 在 API 中支持文本和视觉，未来将支持文本、图像、视频和音频输入输出，该模型具有 128K tokens 的上下文窗口，每次请求支持多达 16K 的输出 tokens，并且知识更新至 2023 年 10 月。得益于与 GPT-4o 共享的改进的 tokenizer，处理非英文文本的成本更低。一款具备卓越文本智能和多模态推理的小型模型
GPT-4o mini 在学术基准测试中，在文本智能和多模态推理方面超过了 GPT-3.5 Turbo 和其他小型模型，并支持与 GPT-4o 相同范围的语言。它在函数调用方面表现出色，开发者可以利用它构建获取数据或与外部系统交互的应用程序，相较于 GPT-3.5 Turbo 具有更好的长上下文性能。GPT-4o mini 在多个关键基准测试中表现出色：- 推理任务：GPT-4o mini 在涉及文本和视觉的推理任务上优于其他小型模型，在 MMLU 上得分 82.0%，相比之下，Gemini Flash 得分 77.9%，Claude Haiku 得分 73.8%。
- 数学和编程能力：GPT-4o mini 在数学推理和编程任务上表现优异，超越市场上以前的小型模型。在 MGSM（测量数学推理能力）中得分 87.0%，相比之下，Gemini Flash 得分 75.5%，Claude Haiku 得分 71.7%。在人类评估（HumanEval）中，GPT-4o mini 得分 87.2%，相比之下，Gemini Flash 得分 71.5%，Claude Haiku 得分 75.9%。
- 多模态推理：GPT-4o mini 在 MMMU（多模态推理评估）中也表现出色，得分 59.4%，相比之下，Gemini Flash 得分 56.1%，Claude Haiku 得分 50.2%。
模型评估分数
内置安全措施
从一开始，OpenAI就将安全性融入到模型中，并在每一步开发过程中进行强化。在预训练中，公司就考虑过滤掉不希望模型学习或输出的信息，如仇恨言论、成人内容、主要聚合个人信息的网站和垃圾邮件。在后期训练中，公司使用人类反馈的强化学习（RLHF）等技术来调整模型的行为，以提高模型响应的准确性和可靠性。GPT-4o mini 具备与 GPT-4o 相同的安全缓解措施，OpenAI通过自动化和人类评估根据我们的准备框架进行严格评估，并根据自愿承诺进行调整。超过 70 名外部专家测试了 GPT-4o，以识别潜在风险，公司已经解决这些风险，并计划在即将发布的 GPT-4o 系统卡和准备度评分卡中分享详细信息。这些专家评估的见解有助于提高 GPT-4o 和 GPT-4o mini 的安全性。可用性和定价
GPT-4o mini 现在作为文本和视觉模型在 Assistants API、Chat Completions API 和 Batch API 中可用。开发者支付每百万输入 tokens 15 美分和每百万输出 tokens 60 美分（约等于一本标准书的 2500 页）。公司计划在未来几天推出 GPT-4o mini 的微调功能。在 ChatGPT 中，免费用户、Plus 用户和团队用户将从今天起可以访问 GPT-4o mini，取代 GPT-3.5。企业用户也将在下周开始访问，这符合公司让 AI 的好处惠及所有人的使命。过去几年，我们见证了 AI 智能的显著进步和成本的大幅降低。例如，GPT-4o mini 的每个 token 成本自 2022 年推出的能力较低的 text-davinci-003 以来下降了 99%。公司致力于继续沿着这条路径前进，降低成本的同时提升模型能力。展望未来，模型将无缝集成到每个应用程序和网站中。GPT-4o mini 正在为开发者构建和扩展强大的 AI 应用程序铺平道路，使其更加高效和经济实惠。AI 的未来将变得更加可及、可靠，并嵌入到我们日常的数字体验中，很高兴继续引领这一潮流。上图展示了 GPT-4o mini 相比 GPT-3.5 Turbo 在价格上的显著降低，反映了 OpenAI 在降低 AI 模型使用成本方面的进展：价格演变
- GPT-3.5 Turbo-0301（2023年3月）：每百万 tokens 价格为 $2。
- GPT-3.5 Turbo-0613（2023年6月）：价格降至 $1.60。
- GPT-3.5 Turbo-1106（2023年11月）：进一步降至 $1.20。
- GPT-3.5 Turbo-0125（2024年1月）：降至 $0.70。
- GPT-4o mini（2024年7月）：每百万 tokens 价格仅为 $0.24，比 GPT-3.5 Turbo 便宜了超过 60%。
关键点
- 显著降价：从上图我们可以可以清晰看到，从 2023 年 3 月到 2024 年 7 月，OpenAI 一直在逐步降低其模型的价格。GPT-4o mini 的价格是这些模型中最低的，反映了大模型技术的成本效益大幅提高。
- 性价比提升：GPT-4o mini 价格仅为每百万 tokens 24 美分，这不仅比之前的 GPT-3.5 Turbo 模型便宜了超过 60%，而且在性能上也有显著提升，使得它在成本效益上更具竞争力。
4omini 的价格下降将推动AI应用的全面发展：
- AI的更广泛应用：更低的成本使得更多企业和开发者能够负担得起高性能的 AI 模型，推动了 AI 技术在更多领域的应用。
- AI功能的大规模部署：较低的使用成本和高性能使得 GPT-4o mini 能够被大规模部署在客户服务、数据处理、内容生成等多个场景中。
- 创新驱动：开发者和初创公司可以更经济地进行 AI 项目创新和开发，从而推动技术进步和市场竞争。
- 提高效率：企业可以利用 GPT-4o mini 进行高效的数据处理和自动化任务，从而提升运营效率和服务质量。
对比OpenAI已经发布的模型价格，这些模型的多样性和灵活的定价方案使得开发者和企业可以根据具体需求选择合适的模型，同时通过 Batch API 进一步降低成本。对比其他模型，4o mini的价格也是优势明显，相比Claude等。
在OpenAI的document中表明，4o mini核心特征是“低成本和低延迟”支持广泛的任务，那么GPT-4o mini 是如何实现低成本与低延迟的？
通过查阅相关文档资料，我们看到GPT-4o mini 通过多种技术和设计实现了低成本和低延迟，从而能够支持广泛的任务：1. 优化的模型架构
更高效的神经网络设计
- 模型压缩：通过模型压缩技术，如剪枝、量化和知识蒸馏，减少模型参数量和计算需求，同时保持高性能。这降低了计算成本和内存占用。
- 轻量级架构：采用更轻量级的模型架构，优化计算图，减少冗余计算，从而提高推理效率。
更快的推理速度
- 优化的层设计：改进每一层的计算方式，减少计算复杂度，提升每一步的执行速度。
- 并行计算：利用并行计算技术，如GPU和TPU加速，提高计算效率，缩短推理时间。
2. 高效的Token处理
改进的Tokenizer
- 更高效的Token化：使用改进的tokenizer，能够更高效地处理文本，特别是对于非英文文本，减少了token数量，从而降低了计算成本。
- 快速编码和解码：优化token的编码和解码过程，减少处理时间，提高整体效率。
3. 增强的硬件利用率
使用高效的硬件
- 专用硬件加速：利用最新的硬件技术，如GPU、TPU和专用AI加速器，提升计算效率和速度。
- 分布式计算：通过分布式计算架构，将计算任务分配到多个节点，提高整体计算能力和资源利用率。
4. 高效的并行和链式调用
并行调用优化
- 任务并行化：将任务拆分为独立的子任务，并行执行，减少总体执行时间。
- 异步处理：使用异步编程模型，实现任务的并行处理，提高系统的吞吐量和响应速度。
链式调用优化
- 任务流水线：优化任务的执行顺序和依赖关系，确保每个任务能够高效地利用前一步的结果，减少不必要的等待时间。
- 中间结果缓存：缓存中间结果，减少重复计算，提高整体效率。
5. 精准的资源管理
动态资源分配
- 按需扩展：根据任务的实际需求动态分配计算资源，避免资源浪费，降低运行成本。
- 负载均衡：使用负载均衡技术，将计算任务均匀分配到多个计算节点，确保资源的最优利用。
高效的能耗管理
- 能耗优化：优化计算过程中的能耗管理，通过调节硬件工作模式和计算负载，降低整体能耗成本。
- 散热管理：改进硬件散热系统，确保设备在高效工作的同时不因过热而降低性能。
6. 先进的软件优化
编译器优化
- 高效编译器：使用高效的编译器优化模型的执行代码，提高计算效率，减少推理时间。
- 自动优化：通过自动化的代码优化工具，进一步提升模型的执行效率和性能。
软件框架优化
- 优化的深度学习框架：使用优化后的深度学习框架，如TensorFlow、PyTorch，确保模型在执行时的高效性。
- 定制化优化：根据具体应用场景和硬件环境，进行定制化优化，最大限度地提升性能。
GPT-4o mini 通过以上多种技术和设计实现了低成本和低延迟。这些技术和优化措施不仅提高了模型的计算效率和资源利用率，还降低了整体运行成本，使其能够在广泛的任务中高效应用。通过优化模型架构、改进token处理、利用高效硬件、优化并行和链式调用、精准资源管理和先进的软件优化，GPT-4o mini 能够提供高性能、低成本和低延迟的AI解决方案。第一，并行和链式调用是GPT-4o mini的关键功能。这些功能使其在复杂任务处理、实时响应和多任务执行方面表现出色，接下来对并行与链式调用功能进行详细解读，包括架构、技术实现和核心用途：并行调用
并行调用（Parallel Invocation）：指的是同时执行多个任务，任务之间相互独立，彼此不依赖。这种方式通常用于可以同时处理的独立任务，以提高处理效率和速度。
并行调用的特点主要有以下几点：
- 同时执行：多个任务可以同时开始执行，不需要等待其他任务完成。
- 无数据依赖：任务之间没有数据依赖关系，彼此独立运行。
- 减少延迟：由于任务并行执行，总执行时间可以显著减少，延迟较低。
- 资源消耗：需要足够的计算资源支持并行执行，可能增加资源消耗。
应用场景如下：
- 高并发服务：同时处理多个用户请求，提高系统响应速度。
而具体到架构与技术实现，主要包括以下三个方面：
- 多线程处理：通过多线程技术，可以在单个应用程序内同时运行多个线程，每个线程处理不同的任务。GPT-4o mini 可以利用多线程架构，在并行处理多个请求时保持高效。
- 多进程处理：对于更高的隔离和并发性，可以使用多进程架构。每个进程独立运行，处理各自的任务，这样可以更好地利用多核CPU的优势。
- 异步API调用：GPT-4o mini 支持异步API调用，允许在等待一个请求响应的同时处理其他请求。这显著提高了响应速度和吞吐量。
- 事件驱动架构：通过事件驱动的编程模型，系统可以在特定事件发生时触发相应的处理程序，实现高效的并行处理。
- 微服务架构：GPT-4o mini 可以部署在微服务架构中，每个微服务处理特定的任务或功能。通过服务之间的并行调用，实现复杂任务的并行处理。
- 负载均衡：使用负载均衡技术，将请求分配到多个实例上，确保系统的高可用性和高并发处理能力。
核心用途
- 实时数据处理：并行调用可用于处理实时数据流，例如实时分析用户行为、金融交易监控等。
- 大规模数据分析：在大数据分析场景中，可以并行处理多个数据集或任务，提高分析效率和速度。
- 多任务并行执行：在复杂应用中，例如自动驾驶或智能制造，多个任务需要同时执行，并行调用可以确保系统的实时性和响应速度。
链式调用
链式调用（Chained Invocation）：指的是按顺序依次执行一系列任务，每个任务的输出作为下一个任务的输入。这种方式通常用于需要依赖前一步结果的任务。
特点
- 顺序执行：任务必须按特定顺序执行，前一个任务完成后才能开始下一个任务。
- 数据依赖：每个任务的输出数据通常是下一个任务的输入，因此存在数据依赖关系。
- 延迟累积：由于任务是串行执行的，总执行时间是所有任务时间的累加，延迟可能较高。
- 错误传播：如果某个任务失败，后续任务无法执行，必须处理错误后再继续。
应用场景
- 订单处理系统：验证订单 -> 检查库存 -> 确认订单 -> 安排物流。
- 数据处理流水线：数据清洗 -> 特征提取 -> 模型训练 -> 结果评估。
- 审批流程：提交申请 -> 初步审核 -> 详细审核 -> 最终批准。
架构与技术实现
- 任务队列：使用任务队列（如RabbitMQ、Kafka等），将任务按顺序排队，并由多个工作进程依次处理。
- 工作流引擎：通过工作流引擎（如Apache Airflow、Temporal），定义和管理任务的执行顺序，实现复杂任务的链式调用。
- 中间数据存储：在链式调用中，每个步骤的结果需要传递到下一个步骤，可以使用中间数据存储（如Redis、DynamoDB）来保存和传递这些数据。
- 状态管理：使用状态管理系统（如Zookeeper、Consul），跟踪任务的执行状态和中间结果，确保任务按预期顺序执行。
- API Gateway：通过API Gateway，实现对多个API调用的编排和管理，确保调用顺序和数据流的正确性。
- 服务网格：使用服务网格（如Istio），管理和监控微服务之间的调用关系，确保链式调用的可靠性和可观测性。
核心用途
- 复杂业务流程自动化：链式调用可用于自动化复杂的业务流程，例如订单处理、供应链管理等，每个步骤依次执行。
- 多步骤数据处理：在数据处理流水线中，链式调用可用于分步处理数据，例如数据清洗、特征提取、模型训练等。
- 集成应用开发：在集成多个应用和服务的开发中，链式调用可以确保各个服务按预定顺序执行，完成复杂的跨服务任务。
![]()
总结来看，这两种调用方式各有优缺点，选择哪种方式取决于具体应用场景和任务的需求。在实际应用中，常常需要根据任务的特性和目标，灵活运用这两种调用方式来优化系统性能和效率。
改进的上下文处理是GPT-4o mini实现低成本和高效性能的关键因素之一。通过改进上下文处理，模型能够处理更大规模的上下文信息，提高响应的连贯性和准确性。架构设计
长上下文窗口
GPT-4o mini 具有128K的上下文窗口，这意味着它能够处理多达128K tokens的上下文信息。这一特性允许模型在处理长文本或复杂对话时，保持较好的连贯性和上下文理解能力。高效的内存管理
为支持大规模上下文处理，GPT-4o mini 在架构设计上优化了内存管理，确保在处理长文本时不会因为内存不足而影响性能。通过分段处理和内存回收机制，模型能够高效利用可用内存。技术实现
第一，改进的注意力机制
1. 线性注意力（Linear Attention）
传统的注意力机制在处理长序列时，计算复杂度为O(n^2)，这对于大规模上下文处理是不可行的。GPT-4o mini 采用了线性注意力机制，将计算复杂度降为O(n)，大大提高了处理长文本的效率。2. 稀疏注意力（Sparse Attention）
稀疏注意力机制通过关注重要的上下文部分，忽略不重要的信息，从而减少计算量。GPT-4o mini 使用稀疏注意力机制，能够在保持上下文理解能力的同时，提高计算效率。第二，位置编码优化
1. 相对位置编码（Relative Position Encoding）
相对位置编码能够更好地捕捉序列中的相对位置关系，特别是在处理长序列时，能够提高模型对上下文的理解能力。GPT-4o mini 采用了改进的相对位置编码方法，增强了模型的上下文处理能力。2. 动态位置编码（Dynamic Position Encoding）
动态位置编码根据输入序列的实际长度动态调整位置编码，避免固定位置编码带来的限制，使得模型在处理不同长度的序列时都能保持较高的性能。第三，高效的内存机制
1. 分段处理（Chunk Processing）
通过将长序列分段处理，GPT-4o mini 能够有效管理内存资源。每个段独立计算注意力，再通过全局上下文信息进行整合，确保整体的连贯性。2. 增量更新（Incremental Update）
增量更新机制允许模型在处理长序列时，只对新增的部分进行计算，而不需要重新计算整个序列。这大大提高了处理效率，减少了计算资源的消耗。核心用途
1. 长文本生成
改进的上下文处理使得GPT-4o mini 在生成长文本时能够保持连贯性和一致性。例如，在写作助手中，模型能够生成连贯的文章或报告，确保上下文的逻辑一致性。2. 对话系统
在多轮对话中，GPT-4o mini 能够记住对话的历史信息，提供更加自然和相关的回复。这对于客户支持和聊天机器人等应用场景尤为重要，能够提升用户体验。3. 编程辅助
在代码生成和代码补全任务中，GPT-4o mini 能够处理完整的代码库或项目上下文，提供准确的代码建议和补全。这对于开发者来说，可以显著提高编程效率和代码质量。4. 文档分析
在文档分析和信息提取任务中，GPT-4o mini 能够处理长篇文档或多篇文档的上下文，提供精准的信息提取和分析结果。这对于法律、金融和研究等领域尤为重要，能够提升工作效率和准确性。5. 内容审核
在内容审核系统中，GPT-4o mini 能够处理大规模的上下文信息，进行精准的内容审核和过滤。通过处理长时间段的上下文，模型能够更准确地识别违规内容，提升审核的效果和效率。近期红杉资本的合伙人pat grady在采访中谈论了对于大模型应用放量的看法，其认为：“我们思考的一个平行宇宙的假设是，如果你冻结了今天的基础模型功能，并将所有的增量精力投入到优化、易用性、经济性和顶层工程上，或许将一些努力从大规模预训练转移到测试时计算上，进行更多的计划和推理，如果你这样做了，你能改变多少行业？答案是所有行业。今天的能力足以构建数万亿美元的新业务。”- 基础模型的稳定性：稳定的基础模型有助于整个 AI 生态系统的发展，因为它能让企业更合理地预测和构建所需的应用程序。Grady 认为现在的模型能力已经足够强大，能够创造出数万亿美元的新业务，关键在于如何在模型之上进行工程化优化和认知架构设计。
- 工程化优化的重要性：Grady 强调，很多人在模型之上投入大量的工程努力，包括认知架构和计划推理等，这将创造出非常神奇的体验。他认为，今天的基础模型功能已经足以构建出具有变革性的应用程序。
我非常认同上述观点，如果大模型一直在不断迭代，那么应用的放量就很难，现在工程优化，API价格下行，可用性提升显得更为关键。
应用放量的两个关键点
1. 基础模型的稳定性
稳定性的重要性：增强应用的可靠性，企业在开发和部署AI应用程序时，需要一个稳定的基础模型作为依托。稳定性意味着模型在各种场景下都能表现一致且可靠，减少不可预见的故障和错误。提升应用的可预测性，稳定的模型使企业能够更准确地预测其行为和性能，进而更合理地规划资源和预算。这种可预测性是大规模应用放量的基础。
当前模型能力的潜力
强大性能：现有的基础模型（如GPT-4和GPT-4o mini）已经展示了强大的自然语言处理、图像识别、生成等能力。这些能力足以支撑广泛的应用场景，从而创造出数万亿美元的新业务。创新空间：稳定且强大的基础模型为进一步的创新和优化提供了坚实的基础。企业可以在这些模型之上开发出各种创新性应用，提升业务价值。2. 工程化优化的重要性
工程化优化的核心
认知架构设计：在基础模型之上构建高级的认知架构，可以增强模型的计划和推理能力。这使得AI不仅能理解和生成文本，还能进行复杂的决策和问题解决。计划和推理：通过优化计划和推理算法，模型可以更智能地处理多步骤任务，提高整体效率和用户体验。例如，在客户服务中，AI可以根据上下文信息和历史记录进行更准确的回答和建议。工程化优化带来的体验
用户体验提升：通过在模型之上进行工程化优化，可以创造出非常流畅和智能的用户体验。这种体验不仅提高了用户满意度，还能吸引更多用户和客户。业务流程自动化：优化后的模型可以自动化处理复杂的业务流程，从而大幅提高效率和准确性，减少人工干预。如何增强基础模型的稳定性？
持续改进：通过不断的模型更新和优化，保持模型的稳定性和高性能。广泛测试：在各种实际应用场景中广泛测试模型，确保其在不同环境下都能稳定运行。错误处理机制：建立完善的错误处理和恢复机制，确保模型在遇到问题时能够快速恢复。- 生态系统建设：稳定的基础模型为整个AI生态系统的发展提供了基础。企业可以基于这些模型开发出各种应用，推动整个行业的发展。
行业标准：稳定的模型可以成为行业标准，促进不同企业和应用之间的互操作性和兼容性。
工程化优化的重要性
认知架构和计划推理的实现：分层架构，在基础模型之上构建分层的认知架构，每一层处理特定类型的任务，如数据预处理、信息抽取和决策支持。智能推理，通过引入智能推理算法，模型可以在复杂的任务中做出合理的决策，提高任务完成的准确性和效率。工程化优化带来的业务价值：效率提升，通过工程化优化，可以大幅提升业务流程的自动化程度，提高整体效率。成本降低，优化后的模型可以减少对人力资源的依赖，降低运营成本。竞争优势，拥有优化后的智能应用，可以为企业带来显著的竞争优势，提升市场地位。通过确保基础模型的稳定性和进行深入的工程化优化，企业可以实现大规模应用放量，创造出变革性的应用和数万亿美元的新业务。稳定的基础模型为开发和部署各种AI应用提供了可靠的基础，而在此基础上进行的工程化优化则能够大幅提升用户体验和业务价值。这种结合不仅能推动各行业的技术进步，还能为企业带来显著的经济效益和市场竞争力。GPT-4o mini确实在许多方面完美匹配了Pat Grady提出的“平行宇宙假设”。通过优化、易用性、经济性和顶层工程的改进，GPT-4o mini展现了巨大的应用潜力：基础模型的现有能力
- 强大但复杂：GPT-4o mini已经具备了强大的自然语言处理、图像识别和生成等能力，但其训练和优化过程复杂，资源消耗巨大。
- 高性能但高成本：这些模型在推理时需要大量计算资源，导致高昂的运营成本。
优化、易用性和经济性的需求
- 优化：基础模型需要优化以提高其性能和效率，减少计算资源的消耗。
- 易用性：通过改进用户界面和开发工具，使得模型更易于使用和集成到各种应用中。
- 经济性：降低模型的使用成本，使更多企业能够负担得起并从中受益。
增量精力的转移，主要用于优化现有模型以及提高易用性
- 算法优化：通过改进算法，减少不必要的计算步骤，提高模型的效率。
- 模型压缩：使用模型压缩技术，如剪枝、量化等，减少模型的参数量，从而降低计算和存储需求。
- 开发者工具：提供更好的开发者工具和API，使得开发者能够更轻松地使用和集成基础模型。
- 用户界面：开发直观的用户界面，使得非技术用户也能轻松使用基础模型提供的功能。
提升经济性
- 成本优化：通过优化计算资源的使用，降低模型运行的成本。
- 按需服务：提供按需服务和灵活定价模型，使得企业能够根据需要灵活使用和支付。
顶层工程和认知架构
- 应用层优化：在模型之上构建高效的应用层，使得模型能够更好地支持特定应用场景。
- 认知架构：开发高级的认知架构，增强模型的计划和推理能力，提高其智能化水平。
行业影响和潜力
变革性应用
- 法律和咨询：AI 可以自动分析法律文档、提供法律建议，提升法律服务的效率和准确性。
- 医疗健康：AI 可以帮助医生诊断疾病、制定治疗方案，提供个性化的医疗服务。
- 金融服务：AI 可以自动分析金融数据、预测市场趋势，优化投资决策。
创新性业务
- 智能客服：AI 可以提供24/7的智能客服服务，提高客户满意度和服务效率。
- 内容生成：AI 可以自动生成高质量的文本、图像和视频内容，支持媒体和娱乐行业的发展。
- 教育和培训：AI 可以提供个性化的教育和培训方案，提升学习效果和教育公平性。
数万亿美元的新业务
- 市场规模：通过广泛应用基础模型，许多行业将迎来新的商业机会和业务模式，市场规模将大幅度扩大。
- 经济效益：优化后的基础模型将大幅降低运营成本，提高生产力，创造数万亿美元的经济效益。
通过这些技术亮点和实际应用，GPT-4o mini 完美体现了“平行宇宙假设”的核心思想。
集中精力进行优化和工程化设计，使得模型的实际应用潜力大幅提升，为各行业带来变革性和创新性的发展机会。我相信，AI应用的春天就快来临了，拭目以待，翘首以盼，时刻准备起跑。
