本文详细介绍了及其应用场景，涵盖了大模型的发展历程、基本原理和分类（通用与推理模型）。文章分析了的具体特性、性能优势、低成本训练与调用特点，以及其技术路线（如MoE、MLA架构），并与竞品进行了对比。此外，还探讨了在金融风控等领域的应用前景。
一、大模型发展回顾
1.1. 大模型发展历程
2024年5月，发布了GPT-4o，模型能够处理和生成文本、图像和音频。GPT-4o 在语音、多语言和视觉基准测试中取得了最先进的成果，创造了语音识别和翻译的新纪录。
2024年7月，发布了GPT-4o mini，取代 界面上的 GPT-3.5 Turbo，API 成本显著降低，适用于企业、初创公司和开发者。
2024年9月， 发布了 o1-（更适合推理任务）和 o1-mini（更适合编程任务）模型，这些模型设计为在生成回答时花费更多时间思考，从而提高准确性。
2024年12月， 发布了 o1，比 o1- 更智能、更快，功能更多（比如多模态功能）
2025年2月， 发布了o3-mini，o3-mini在大多数情况下o3-mini比o1-mini产生更准确、更清晰的答案，同时响应更快，其平均响应时间为7.7秒，较o1-mini的10.16秒提升了24%。
2025年2月9日，发布全新的智能体-deep ，可以进行网络浏览和数据分析，可以利用推理来搜索、解释和分析互联网上的大量文本、图像和PDF文件，并根据搜集的信息进行灵活调整。
2025年2月9日，表示内部已达到了GPT-4.5，表示接下来的重点是高能力的推理模型、多模态以及智能体。
2025年2月28日，发布GPT-4.5，最大、知识最丰富、情商最高的大模型。
*GPT-4o的o表示omni，意为“全知全能的”；o1/o3的o表示.
从的发展过程看大模型的发展趋势：
1.2. 大模型基本原理
大模型是如何构建的？
引用论文 Large : A
核心的三个步骤: 预训练，有监督微调和人类反馈强化学习。
1.3. 推理模型与通用模型
大模型发展至今，可以分为: 通用大模型与推理大模型。
思维链(Chain of , CoT)通过要求/提示模型在输出最终答案之前，显式输出中间逐步的推理步骤这一方法来增强大模型的算数、常识和推理的性能。从该角度，可以将大模型的范式分为两类: 概率预测（快速反应模型）和链式反应（慢速思考模型），前者适合快速反馈，处理即时任务，后者通过推理解决复杂问题。
一个例子，问: 1+2+3+4+5+6+7+8+9+10=多少，直接告诉我答案
二、
2.1. 是什么
主流模型的竞品对标
2.2. 可以做什么
直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景，支持联网搜索与深度思考，同时支持文本上传，能够扫描读取各类文件及图片的文字内容。
2.3. 的模型对比
2.3.1. 模型发展史
资料来源: 彩云之南公众号，浙商证券研究所。
相关链接2
我们常说的的大模型，是指当前主流的-V3和-R1。
2.3.2. V3与R1的对比与选择
总结: 不考虑调用成本，复杂推理任务（例如数学、代码等）或者希望获取思维链，优先-R1；内容创作、文本生成等优先-V3。
2.3.3. 竞品-的大模型
*o3-mini的一个介绍: , o1-mini的一个介绍: , GPT-4o的一个介绍: , GPT-4o-mini的一个介绍:
2.3.4. 竞品-通义千问的大模型
引用: 通义千问官网
2.4. 为什么大火
2.4.1. 性能优越
*AIME 2024: 数学题,涵盖算术、代数、计数、几何、数论、概率等中学数学主题的综合评测，测试数学问题解决能力。
*MATH-500: 包含500个测试样本的MATH评测集，全面考察数学解题能力。
*GPQA: 研究生水平的专家推理,一个通过研究生级别问题评估高阶科学解题能力的评测集，旨在考察科学问题解决能力。
2.4.2. 训练便宜
结论: -V3 较 竞品，训练成本约为1/20～1/3
*注, H800为针对中国市场定制，性能和价格略低于H100.
2.4.3. API调用便宜
结论: -V3 API调用价格约为 o3-mini的1/4，为GPT-4o的约1/10. 但要高于GPT-4o-mini, 性能强于GPT-4o-mini.
以下为当前调用价格，以token为单位，1个英文字符约0.3个token，1个中文字符约0.6个token，即1 token可对应1-2个中文汉字，或对应3-4个英文字符，或0.75个英文单词，截止到2025年2月8日
*o3 mini思维链: 2025年2月7日，公开o3 mini思维链，业界猜测非原始思维链，而是总结之后的思维链输出。
*缓存命中: 在大模型 API 的使用场景中，用户的输入有相当比例是重复的。举例说，用户的 往往有一些重复引用的部分；再举例说，多轮对话中，每一轮都要将前几轮的内容重复输入。启用上下文硬盘缓存技术，把预计未来会重复使用的内容，缓存在分布式的硬盘阵列中。如果输入存在重复，则重复的部分只需要从缓存读取，无需计算。该技术不仅降低服务的延迟，还大幅削减最终的使用成本。
*MMLU(大规模多任务语言理解）是一种新的基准测试，涵盖STEM、人文、社会科学等57个学科，有效地衡量了综合知识能力。
2.4.4. 其它因素
2.5. 为什么又好又省-技术路线
2.5.1. 主要技术路线
参考: -v3技术文档
2.5.2. of (MoE) 混合专家模型
MoE在NLP、CV、多模态和推荐系统中有广泛的应用(时间线上面的开源，下面的闭源)。
参考: A on of
两种典型的MoE: Dense MoE VS. MoE
往往会带来负载均衡问题，即专家工作量的不均衡分布，部分专家频繁更新，其它专家很少更新，大量研究专注于解决负载均衡问题。
的MoE结构:
-R1: 1个共享的专家+63个路由的专家，每个专家是标准FFN的1/4大小.
2.5.3. Multi-Head (MLA)
2.5.4. R1的训练范式：冷启动与多阶段RL
参考: 知乎@绝密伏击
2.6. 与竞品对比
2.6.1. 几个竞品的对比
项目/模型
-R1
GPT-4o
豆包
模型定位
专注高端推理和复杂逻辑问题
通用大模型，旨在处理多任务、多模态
中文环境，面向C端用户，轻量化、娱乐化
是否开源
否，商业化产品
擅长功能
复杂推理，例如数学、代码
通用语言生成、
多模态理解
拟人化聊天、创意内容生成、图像生成
定制化程度
高；用户可修改模型行为并针对特定用例进行优化
低；主要通过API调用于提示工程进行微调
低；提供API服务，灵活性低
硬件要求
温和；部署对硬件要求相对适中
不适用；仅通过基础设施上的API提供
作为云端产品，无需自建硬件，后端依赖云计算集群
多模态支持
暂无，可用Janus-Pro多模态大模型
强多模态能力，支持文本、图像等输入
一定的多模态支持
用户群体
开发者、企业用户、专业研究者
全球阻留用户、企业客户和开发者，高端市场
普通消费者、内容创作者，字节生态
2.6.2. 的缺点2.6.3. 的影响
推动了大模型开源进程，作为鲶鱼，让全球大模型竞赛进一步提速。
2.7. 使用建议
提示词库
2.7.1. 使用的不同点
2.7.2. R1的正确打开方式
对于推理大模型，存在欺骗技巧失效和“启发式提示”失效的问题：
参考: 知乎田威AI
2.7.3. 使用建议
+++
参考链接：
介绍一下%%20o3-mini
RDS+构建一站式HTAP
通过融合MySQL和的数据同步能力，用户可以在一个可视化窗口中简单灵活地配置和管理实时数据同步，这为业务报表统计、交互式运营分析和实时数仓构建提供了便利。
323AI导航网发布
相关文章
