1. 首頁 > 生活百科 > >

GPT-5.4養龍蝦太貴？OpenAI自己出手砍到了一折

GPT-5.4養龍蝦太貴？OpenAI自己出手砍到了一折

文章圖片

GPT-5.4養龍蝦太貴？OpenAI自己出手砍到了一折

文章圖片

GPT-5.4養龍蝦太貴？OpenAI自己出手砍到了一折

文章圖片



最近OpenClaw可以說是火遍了大江南北 。 各大廠商都說自己的模型如何支持小龍蝦 ， 唯獨沒人推薦ChatGPT 。
事實上OpenAI才收購了OpenClaw 。
原因就一個“貴” 。
讓AI幫你完成一個稍微復雜的任務 ， 比如自動化處理一批客戶郵件 ， 背后可能要調用模型幾十上百次：理解意圖、檢索信息、生成草稿、校對潤色、逐封發送……如果每一步都調用滿血版GPT-5.4 ， 一輪操作下來 ， 飼料費（token）比蝦本身還貴 。
特別是隨著OpenClaw這類agent框架的爆發 ， AI的工作模式已經發生了根本性轉變：從前我們向AI提問 ， 它盯著問題想很久 ， 然后吐出一長串文字；現在AI面對一個復雜任務 ， 要將其拆解成微小步驟分步推進 。 每一步都調用旗艦大模型 ， 不僅延遲讓人崩潰 ， 成本也會高到離譜 。
在這種背景下 ， OpenAI正式發布GPT-5.4 mini與nano兩款小型模型 ， 并宣稱其為公司“迄今最強大的小型模型” 。
麻雀雖小五臟俱全 ， 不要小瞧這兩個小玩意 ， 不僅GPT-5.4核心的優勢和能力它們繼承了下來 ， 同時還更快、更省資源 ， 并且適合于大批量、高頻率的AI任務調用 。
【GPT-5.4養龍蝦太貴？OpenAI自己出手砍到了一折】OpenAI貌似是覺得mini還不夠小 ， 所以做出了更輕量的nano 。
nano是GPT-5.4最輕量、最快速的版本 ， 專為對速度和成本要求極高的任務而設計 。
事實就是 ， 用單一模型處理所有事務性價比太低 ， 經常陷入高射炮打蚊子的境況 ， 不如調整成大模型決定任務方向 ， 小模型進行大規?？焖賵绦械姆桨?。
OpenAI自家的Codex就是這么干的 。
一個主模型負責理解任務意圖、拆解步驟 ， 然后調度mini/nano級別的子agent去執行具體的代碼修改、測試運行、結果校驗 ， 每個子任務只消耗極低的成本 。
大模型就像坐鎮中軍、運籌帷幄的主帥 ， 只抓頂層戰略、調度全局資源 。 小模型則是無數支精銳輕騎 ， 身形輕便、行動迅捷、批量奔赴前線 ， 專一完成細分任務 。
01
OpenAI為什么這么做
mini和nano在價格上確實“mini”以及“nano” 。 要理解OpenAI為什么押注輕量化 ， 先看看這兩款模型到底便宜到什么程度 。
mini和nano均支持 400k tokens 的上下文窗口 。 在輸入價格上 ， GPT-5.4旗艦版是2.5 美元/百萬token ， mini版是0.75美元/百萬 token ， nano版更是夸張 ， 僅0.2美元/百萬token ， 輸入成本僅為旗艦模型GPT-5.4的8% 。
而輸出價格上 ， GPT-5.4是15美元/百萬 token ， mini版約為它的1/3（4.5 美元） ， nano版約為它的1/12（1.25 美元） 。
換句話說 ， OpenAI用戶們的賬單直接砍到了零頭 。

價格只是表象 ， 真正驅動OpenAI做這件事的 ， 是整個行業的使用趨勢已經發生了根本性轉向 。
輕量化小模型主要有調用成本低、響應快這兩大特征 ， 不少證據表明小模型已經成為當前AI落地最具性價比、最具增長潛力的選擇 。
在OpenRouter本月度最受歡迎LLM排行榜前十中 ， 輕量化模型占到了6個席位 ， 它們參數量普遍集中在數十億至數百億級別 ， 和Claude Opus這類動輒數千億甚至萬億參數的通用旗艦大模型形成鮮明的差異 。
榜單Top 2席位被輕量化小模型包攬 ， 第1名MiniMax M2.5以8.29T tokens的調用量斷層領跑全榜 ， 月度漲幅高達 476%；第2名Google Gemini 3 Flash Preview ， 調用量也達到4.24T tokens ， 遠超多數通用旗艦大模型 。

Hugging Face Hub的模型下載量統計同樣印證了這一趨勢：92.48%的下載量來自少于10億參數的模型 ， 86.33% 為5億以下 ， 69.83% 為2億以下 。
大模型也進入了薄利多銷的時代 。
1B+參數量的模型 ， 即便包含多款輿論熱度極高的開源大模型 ， 整體下載占比僅為7.52% ， 不足輕量化模型的十分之一 ， 這說明大模型的高關注度 ， 似乎并未轉化為真實的落地與采用 。

從OpenAI自身的商業賬本來看 ， 做小模型更是一道必答題 。
今年2月底 ， OpenAI宣布ChatGPT全球每周活躍用戶已突破9億 ， 付費用戶約5000 萬 ， 付費轉化率僅約5%左右 ， 絕大多數用戶仍停留在免費版本 。 這也成為其未來商業化最核心的增長空間 。
絕大多數的C端付費用戶 ， 核心使用場景是日常對話、文案潤色、信息檢索、輕量代碼編寫等高頻輕量需求 。
這類場景完全不需要GPT-5.4這類旗艦大模型的極限復雜推理能力 ， 百億級以內的輕量化小模型足以覆蓋大部分需求 ， 同時又能提供毫秒級響應、無排隊等待的使用體驗 ， 完美匹配絕大多數用戶的核心訴求 。
說了這么多“為什么” ， 接下來看看這兩款模型到底交出了怎樣的答卷——畢竟 ， 飼料便宜了 ， 蝦的個頭要是也縮水了 ， 那就不叫降本增效 ， 叫偷工減料 。
02
mini、nano能力幾何
mini和nano的優勢就只是小和便宜嗎？
No No No
根據OpenAI官網的一系列跑分測試 ， 可以說它們能力表現也很突出 。
在業內公認最權威的AI程序員測試SWE-bench Pro 中 ， GPT-5.4 mini的準確率達到了54.4% ， 表現極具殺傷力 ， 逼近滿血版GPT-5.4的57.7% 。
GPT-5.4 nano的準確率為52.4% ， 再考慮到它極低的成本 ， 非常適合作為快速迭代的代碼審查和輔助子agent 。
以下兩張圖表看得更直觀 ， 橫軸分別代表模型的響應時長和所用成本 ， 縱軸均表示模型在任務中的準確率 。
GPT-5.4雖然準確率穩居第一 ， 但是在橫軸上卻延伸了太遠 ， 也就是不僅思考久 ， 燒的錢還多 。 而nano和mini的折線則整體居于坐標圖左側 ， 標志了它們極高的性價比 。

它們只是犧牲了一點點終極的邏輯上限 ， 就換來了極快的響應速度和極低的成本 。
對此 ， 不少網友戲稱：小龍蝦的飼料費終于被打下來了 。
的確 ， mini和nano未來可能會成為養蝦的主流API選擇 。
在OSWorld-Verified（真實電腦環境操作測試）中 ， GPT-5.4 mini達到了72.1%的準確率 ， 幾乎追平了滿血旗艦版的75% 。

這項測試主要是讓AI像人一樣 ， 通過看顯示器、動鼠標、敲鍵盤來使用一臺真的電腦 ， 包括使用Chrome、Office、VS Code等軟件 。
這才是OpenClaw等agent玩家最看重的指標 。
過去讓AI操控電腦 ， AI經常會瞎點或者反應遲鈍 。 mini版本的這個高分意味著 ， 它識別按鈕、滑塊、輸入框的精度極高 ， 在一些自動化任務上可以更加得心應手 。
然而 ， 也不是所有場景都適合用小模型 。
nano模型在OSWorld-Verified上的得分僅為39.0% ， 甚至低于上一代GPT-5 mini的42.0% 。
這意味著在需要精細操控電腦界面的復雜任務上 ， nano還力有不逮 。
同樣 ， 對于需要深度推理、長鏈條邏輯的高難度任務 ， 旗艦版GPT-5.4仍然不可替代 。
小模型的價值不在于取代大模型 ， 而在于和大模型搭配使用——把對的模型放在對的位置 ， 才是子agent架構真正的精髓 。
這也恰恰是nano和mini發布的深層意義 ， 它們不是來搶旗艦版飯碗的 ， 而是來幫旗艦版分擔那些“高射炮打蚊子”的活兒 。
當大模型不再需要親自處理每一個瑣碎步驟 ， 整個系統的效率和成本結構都會發生質變 。
OpenAI想打的不是一場簡單的價格戰 ， OpenAI內心OS是這樣的：“我可以每個token少賺你點錢 ， 但是我要讓你多用我的小模型 ， 把總收入抬上去 。 ”
典型的薄利多銷 。
過去“便宜”是國產模型的護城河 ， 可是這道護城河正在被填平 。 對普通開發者和企業用戶而言 ， AI可能很快就會變成各行各業用得起、跑得快的新基礎設施 。
小龍蝦的飼料費打下來了 ， 養蝦的門檻也在悄悄降低 。 接下來的問題是：誰能養出最肥的蝦？

    推薦閱讀