前言

如何开启自己的AI之旅？我相信这是很多人(尤其是那些只知道AI概念但未真正接触过AI技术的朋友们)感到迷茫的第一个问题。几周前的我也是如此，只是听说过AI的威力，但实际应用上并没有涉足太深。

在此之前，我的AI接触经验仅限于OpenAI的ChatGPT。像许多人一样，我享受着OpenAI官网提供的免费服务：要么是通过网页版，要么是在mac、iphone或者ipad上使用官方提供的app客户端。因为对ChatGPT的依赖不强，每天的免费额度对我来说基本都够用了(万一超额使用就停几个小时再用)，然而，这种”白嫖”的方式并非长久之计～。既然AI技术在各个领域都变得越来越重要，我也需要更正统地深入了解并学习AI的应用，不能只是依赖某个单一平台或工具。

开始的时候，我完全不知道怎样开始学习AI，尤其是面对不同的大语言模型、种类繁多的API供应商以及如何将AI技术融入到实际工作和生活场景中诸如此类问题的时候，我完全是懵逼的(甚至都不知道很多名词是什么意思，听群里的朋友聊天我经常都听不懂～～)。

最后，我只能从最基础的概念入手，通过实践部署大语言模型UI应用(lobechat本地版、服务端数据库版、chatgpt-nextweb等)、对比各种API供应商(OpenAI、Azure OpenAI、claude等)的优势领域，最终，才把这些属于AI的入门级知识基本梳理清楚，并写成了这篇文章。

通过这篇文章，可以了解如何通过简单而实用的方式入门AI，掌握大语言模型的基础知识，认识市面上常用的API供应商，甚至动手搭建属于你自己的AI Chat应用环境。无论是出于个人兴趣还是为了在职业领域中利用AI，本篇文章都能提供一份清晰的入门指南。

Chat类大语言模型的使用

chatGPT的使用方式

我在前面也提到过，之前我也一直在使用chatGPT的官方提供的免费服务，有官方网页版(https://chatgpt.com)：

还有MAC上APP版：

其实，通过官方网址访问的官方网页版和MAC本地的APP版都是我使用chatGPT的UI界面，只不过，免费版对应的UI后台绑定了OpenAI公司默认提供的GPT-4-turbo模型版本(该模型是一个经过优化、成本更低的版本，允许部分免费用户在一定额度内访问GPT-4o模型)，当这些额度用完后，会切换回使用 “GPT-3.5-turbo”模型。

注1：mac版的chatGPT可以直接下载(chatGPT mac版官方下载地址)，ios和ipad上也均有chatGPT的app，不过需要切换外区ID下载，且要正常使用均需要通过科学或者魔法。

注2：现在使用chatGPT很简单，只需要使用现成的google账号、Microsoft账号、apple账号登录即可，当然，也可以直接注册一个OpenAI账号。

其他chat类大语言模型的使用

除了OpenAI的chatGPT，我们也还有其他类似的大语言模型可以选择，只不过，可能没有提供类似chatGPT的官方网页版或者现成的APP作为访问UI，基本都只是提供的API访问方式。所以，要采用除了OpenAI之外的其他大语言模型供应商的服务，就需要一个支持各种供应商API的、通用的大语言模型UI作为访问API的工具。

通常来说，正常访问大语言模型需要2个功能组成：

• 大语言模型UI

本质上就是一个精心设计的交互界面，它的主要作用是搭建一座桥梁，连接普通用户和强大但复杂的AI技术。想象一下，在你面前有一个友好的控制面板，而在这个面板背后，是由各种API供应商提供的庞大AI系统。UI的妙处在于，它隐藏了所有的技术复杂性，为你提供了一个简单、直观的操作方式。你不需要懂编程，也不用关心背后的API是如何工作的，只需要像日常聊天一样输入文字。UI会巧妙地将你的需求转化为API能理解的指令，然后又把API返回的结果转换成你容易理解的形式。它就像是一个翻译官，在你和AI系统之间来回传递信息。此外，这个界面还帮你管理对话历史，保存重要信息，甚至允许你调整一些设置来个性化你的AI助手。简而言之，大语言模型的UI就是让复杂的AI技术变得触手可及的关键工具，它使得每个人都能轻松地利用AI的力量，而无需了解其中的技术细节。

• API供应商

在大语言模型UI的背后，API供应商扮演着至关重要的角色，就像是这个系统的”大脑”和”引擎”。想象一下，这些API供应商提供了一系列强大的工具箱，每个工具箱都专门用于完成特定的任务。有的工具箱擅长将你的想法变成栩栩如生的图像，仿佛有一位隐形的画家随时待命；另一些则可以”看懂”图片，为你描述图中的内容，就像有一位细心的观察者在为你解读视觉信息。还有些工具箱能够将你的语音变成文字，或者反过来，把文字转换成自然流畅的语音，仿佛有一位全天候的秘书在帮你记录和朗读。这些API就像是各种超能力的集合，它们能理解自然语言，回答复杂的问题，甚至能帮你写代码或者创作文章。API供应商不断更新和优化这些工具，使它们变得越来越智能和高效，通过这些多样化的API，UI就能为用户提供几乎无所不能的服务，从日常对话到复杂的创意工作，再到专业的分析任务，都能轻松应对。简而言之，API供应商就是在幕后默默工作的技术团队，为UI提供源源不断的智能动力，让用户能够通过简单的界面获得各种令人惊叹的AI能力。

本地大语言模型UI

适合个人使用的大语言模型UI

市面上大语言模型UI有很多选择，只不过，今天我只谈谈我认为适合常规个人场景使用的，一般有3种选择，分别是Lobechat、ChatGPT Next Web、Chatbot-UI。

注：关于Chatbot-UI，我看了下部署比较折腾(不像Lobechat和ChatGPT Next Web，只需一个docker run格式的命令就可以搞定)，而又没有什么明显的优势，我就不推荐了，但是后面的描述我还是留着，大家有兴趣可以自行研究一下。

Lobechat

Lobechat UI介绍

Lobechat是一个功能丰富的开源本地大语言模型用户界面，专为易用性和灵活性而设计。部署难度相对较低，适合具有基本技术背景的用户。它支持Docker容器化部署，简化了安装过程，使得即使是非专业开发者也能快速搭建自己的AI助手。在扩展性方面，Lobechat提供了插件系统，允许用户根据需求添加新功能。它支持多种API供应商，包括OpenAI、Anthropic Claude、Azure OpenAI等，同时也兼容开源模型如llama.cpp和ChatGLM。Lobechat的界面设计简洁直观，支持多语言，并提供了丰富的对话管理功能，如对话导出、历史记录搜索等。对于注重数据隐私和希望完全控制AI交互过程的用户来说，Lobechat是一个理想的选择，其访问界面如下：

github官方链接如下：https://github.com/lobehub/lobe-chat。

Lobechat部署方式

Lobechat支持2种部署模式，以用户数据的存放位置不同，分为客户端数据库模式和服务端数据库模式。

• Lobechat 客户端数据库模式

以该模式部署Lobechat，所有的数据(如用户的会话记录、模型配置等)都存储在用户的本地浏览器缓存或客户端数据库中。这种模式不需要依赖后端服务器，因此适合个人用户或小型项目，部署简单且不需要额外的服务器资源。用户数据完全由本地控制，隐私性较好，但由于存储在客户端，数据易受浏览器缓存清理或设备更换的影响，存在一定的数据丢失风险。此外，客户端模式不适合需要在多设备间同步数据的场景，比如，大多数都是从同一个PC客户端来访问Lobechat，所以没有多个客户端之间同步数据的需求(不需要PC客户端和手机客户端之间共享访问lobechat的会话数据)。

Lobechat客户端数据库模式部署命令可以参考如下：

docker run --name lobe-chat  -d --restart=always \
  -p 3210:3210 \
  -e ACCESS_CODE=xxx \
  lobehub/lobe-chat

• Lobechat 服务端数据库模式

以该模式部署Lobechat，用户的会话数据、配置等存储在远程服务器的数据库中，这通常是通过托管的数据库服务实现。此模式适合多人或团队使用，支持多设备间数据同步和集中管理。它能够实现持久化存储，确保数据的长期安全与完整性，但部署较为复杂。

Lobechat服务端数据库模式的部署之所以复杂，因为除了Lobechat-database本身的部署，还涉及到了postgresql数据库、Minio COS(对象存储)、Logto(认证)这些组件，其中，Minio COS和Logto可以用其他第三方服务替代。

由于部署比较复杂，我这里就不多说了，感兴趣的朋友可以参看文章：docker系列 基于开源大语言模型UI框架:Lobechat的详细部署教程。

ChatGPT Next Web

ChatGPT Next Web UI介绍

ChatGPT Next Web是一个高度可定制的大语言模型用户界面，以其强大的功能和灵活的部署选项而著称。部署难度中等，需要一定的技术知识，但提供了详细的文档和社区支持。它支持多种部署方式，包括Vercel一键部署、Docker容器化和传统的服务器部署。在扩展性方面，ChatGPT Next Web采用模块化设计，允许开发者轻松添加新功能或修改现有功能。它主要支持OpenAI的API，但通过其灵活的架构，也可以集成其他API供应商。值得注意的是，它提供了API代理功能，可以解决某些地区访问限制的问题。ChatGPT Next Web的特色功能包括多用户支持、自定义提示词库、对话导出为Markdown或图片等。它的界面设计现代化且响应迅速，支持深色模式和多语言界面，适合需要高度定制化AI助手的个人用户和小型团队，其访问界面如下：

github官方链接如下：https://github.com/ChatGPTNextWeb/ChatGPT-Next-Web。

ChatGPT Next Web部署

ChatGPT Next Web目前只支持客户端数据库模式，部署较为简单，部署命令可以参考如下：

docker run -d -p 3000:3000 \
   -e OPENAI_API_KEY=sk-xxxx \
   -e CODE=your-password \
   -e PROXY_URL=http://localhost:7890 \
   yidadaa/chatgpt-next-web

注1：-e PROXY_URL可以指定代理服务器(如果需要)。

注2：虽然ChatGPT Next Web不支持服务端数据库版的部署，但是提供其他方式间接实现同步数据的功能：WebDAV和UpStash。
WebDAV：

UpStash：

使用效果如何我就没有详细测试了，毕竟我常用的是Lobechat。

Chatbot UI:

Chatbot UI是一个专注于提供卓越用户体验的本地大语言模型界面。它的部署难度相对较低(说是这么说，但是没Lobechat和ChatGPT Next Web的客户端数据库版部署难度低)，提供了详细的安装指南和多种部署选项，包括本地部署和云端部署。在扩展性方面，Chatbot UI采用了模块化的架构，允许开发者通过插件系统添加新功能。它支持多种API供应商，包括OpenAI、Anthropic、Cohere等，同时也支持通过Hugging Face集成开源模型。Chatbot UI的一大特色是其强大的对话管理功能，包括对话分类、标签系统和高级搜索功能。它还提供了详细的使用分析工具，帮助用户优化其AI交互。界面设计方面，Chatbot UI提供了多种主题和布局选项，允许用户根据个人喜好进行定制。此外，它还支持语音输入和文本转语音功能，大大提升了可访问性。Chatbot UI特别适合那些需要深入分析和管理AI对话的专业用户和研究人员，其访问界面如下：

github官方链接如下：https://github.com/mckaywrigley/chatbot-ui/。

注1：如前面所说的原因，部署部分跳过，我并不推荐新人使用Chatbot UI。

注2：除了以上3款本地大语言模型UI之外，其他其实还有不少，比如：GPT4All Web UI、Oobabooga Text Generation Web UI、StableLM Web UI、Vicuna Web UI、Langchain UI、Hugging Face Inference API UI等等，只不过，这些要么安装不够简单、要么需要较高的技术水平、要么功能较为复杂不适合一般的用户，所以对比一番之后我就不加入推荐名单之中了，但是，这些UI各有各的特点，适合不同需求的人群，大家如果觉得Lobechat或者ChatGPT Next Web功能不适合自己，也可以考察一下其他的UI。

2款UI默认支持的API供应商对比

其实只从外观上来说，是看不出本地大模型UI好不好用的(本质上就是一个聊天对话框而已)，而一个非常关键的判断依据，是”默认内置支持”的API供应商数量以及对API供应商更新的模型版本的及时支持(API供应商经常都在新增模型版本，所以也要求UI能够及时更新来支持)：支持的数量越多，说明可扩展性越强。

Lobechat

Lobechat是3款UI中对API供应商数量以及新增模型版本支持得最好的，支持多达30个API供应商：

关键在于，还支持众多国产大语言模型厂商，这对于使用者而言是非常友好的，选择面可以非常广。另外，Lobechat的语言模型设置默认就支持自定义API地址和模型列表：

注：能”自定义API地址和模型版本”这点非常好，大家mark一下，我后面会提到。

ChatGPT Next Web

这个和Lobechat比起来，chatGPT-next-web默认内置支持的API供应商就要少，目前只支持10个，不过也支持了常用的OpenAI、Azure OpenAI、Google、Anthropic：

从上面这几张图可以看出，默认ChatGPT Next Web的语言模型和模型版本是固化的，不像Lobechat那样是可以自定义的，所以灵活性较差，但是，却可以通过”Custom Endpoint”选项自定义API的地址的方式来支持更多的API供应商和模型版本：

“Custom Endpoint” 选项允许用户配置自定义的 API 端点(或者模型版本)，意味着你可以连接到除默认支持的 10个API供应商之外的其他模型提供商或本地运行的模型：启用 “Custom Endpoint” 后，你可以通过”OpenAI Endpoint”选项使用并连接到任何符合 API 调用规范的第三方大语言模型供应商的API地址，只要这些服务的接口和 OpenAI 的 API 兼容，你可以通过输入自定义的 URL 将 ChatGPT Next Web 连接到这些模型，该选项也算是一定程度上弥补了默认内置支持的API供应商数量不多的问题，只是，这种支持相比Lobechat的直接支持，兼容性上肯定要差一些。

注：该选项就是ChatGPT Next Web提供的”自定义API地址和模型版本”功能。

常见的大语言模型API供应商介绍

FBI warning：枯燥预警

这部分内容只是记录性质，较为枯燥，不感兴趣的朋友可以直接跳到最后的总结部分，我是为了以后查询方便所以整理得详细一点。

前置知识

Transformer架构

Transformer架构是一种专为自然语言处理（NLP）任务设计的深度学习模型架构，由 Vaswani 等人在 2017 年提出。它彻底改变了 NLP 领域的研究和应用，成为了包括 GPT 系列、BERT、T5 等许多现代语言模型的基础，其包括以下核心概念。

1. Self-Attention 机制

Transformer 的核心是自注意力（Self-Attention）机制，它允许模型在处理一个句子时，关注句子中的所有单词，而不是依赖于固定的序列处理（如 RNN 的顺序结构）。每个词都可以通过自注意力机制理解句子中的其他词，从而捕捉词与词之间的关系。

2. Encoder-Decoder 结构

Transformer 原本的设计由两个部分组成：

• Encoder：处理输入序列，生成上下文相关的表示。
• Decoder：基于编码器的输出以及之前的生成结果，逐步生成输出序列。

但在很多语言模型中（如 GPT），我们使用的只是编码器或解码器的一部分。例如 GPT 只使用了 Transformer 的解码器结构。

3. 并行计算

Transformer 使用了完全基于注意力的机制，摒弃了循环神经网络（RNN）和长短期记忆网络（LSTM）中逐步计算的模式。其并行计算能力使得模型能够高效地处理长文本输入，显著提升了训练速度。

4. 多头注意力（Multi-Head Attention）

Transformer 使用了多头注意力机制，使模型能够从不同的“角度”理解数据。通过多个独立的注意力头，模型可以在不同的语义层次上捕捉单词之间的关系，进一步增强模型的表达能力。

5. 位置编码（Positional Encoding）

由于 Transformer 并不像 RNN 或 LSTM 那样依赖输入的顺序，因此它引入了位置编码来表示单词在句子中的相对位置。这使得模型能够保留句子的顺序信息。

Transformer 架构的应用和优势

1、扩展性强：相比于之前的 RNN、LSTM 模型，Transformer 可以更好地处理长序列数据，尤其在长句子或文档理解上表现优异。

2、高效并行化：由于自注意力机制和不依赖序列的处理方式，Transformer 可以并行处理整个输入序列，从而大大加快了训练速度，尤其在大规模数据上表现突出。

3、广泛应用：

• GPT 系列：OpenAI 基于 Transformer 架构开发了 GPT 系列模型（如 GPT-3、GPT-4），应用于生成文本、对话系统等任务。

• BERT：Google 开发的 BERT 也是基于 Transformer 的，擅长处理双向上下文关系的任务，如阅读理解和文本分类。

• T5：Transformer-based Text-to-Text Transfer Transformer（T5）将所有 NLP 任务转换为文本生成问题，展示了 Transformer 架构的高度灵活性。

Transformer 架构凭借其自注意力机制、并行计算能力和广泛的应用范围，成为 NLP 领域的核心架构。它推动了大语言模型的发展，并在多个任务中取得了极大的成功，使得现代 AI 系统在处理语言时更加智能和高效。

GPT

GPT（Generative Pre-trained Transformer，生成式预训练变换模型）是一种基于 Transformer 架构的大型语言模型，由 OpenAI 开发。它能够生成类似人类的文本，并在许多自然语言处理任务中表现出色。GPT 的核心在于预训练和微调两个阶段，利用大规模文本数据进行学习，并通过少量的任务特定数据进行优化。自最早的版本问世以来，GPT 系列模型已经发展到了多个版本，包括 GPT-2、GPT-3、GPT-4 等。

GPT 的核心原理如下：

1. 基于 Transformer 架构

GPT 基于 Transformer 的解码器部分，这意味着它可以通过自注意力机制来理解上下文，并生成新的文本。Transformer 架构允许 GPT 捕捉词与词之间的复杂依赖关系，处理长文本时表现出色。

2. 预训练和微调

• 预训练：GPT 首先在海量的未标注文本数据上进行预训练。模型通过预测下一词的方式，学习语言中的句法、语义等规则。

• 微调：在特定任务上（如文本生成、翻译或问题回答），GPT 可以使用少量的标注数据进行微调，使其表现更符合特定任务需求。

3. 自回归生成

GPT 是一种自回归模型，它会逐步生成文本，即根据已经生成的部分来预测下一个词，直到输出完整的文本。这使得 GPT 非常适合生成流畅、连贯的自然语言文本。

GPT 的主要功能：

1. 自然语言生成

GPT 擅长生成与上下文高度一致、连贯性强的文本。它可以用于自动写作、内容创作、编剧、生成产品描述等任务。

2. 对话与聊天机器人

GPT 可以理解用户的输入并生成适当的回复，成为许多对话系统和客服机器人的核心技术。

3. 问答与信息提取

GPT 可以根据给定的文本或知识库，回答问题或提取相关信息，广泛用于问答系统、搜索引擎等场景。

4. 零样本学习与少样本学习

GPT-3 和 GPT-4 展示了零样本和少样本学习的能力，即使没有专门为某个任务进行微调，它们也能够通过提示完成任务。

5. 多领域应用：

GPT 能够跨越多个领域进行任务处理，包括但不限于编程代码生成、医学文本理解、法律文档分析、翻译等。GPT 可以生成富有创意的文本，甚至可以撰写文章、诗歌、故事等，展示出类似人类的创造力

模型和版本的演进

“模型”在大语言模型领域是一个普遍的概念，涉及到不同的组织和框架。除了出名的OpenAI的GPT-3，GPT-4模型，其他机构也在开发和发布自己的模型同时不停进行版本的迭代升级：

• Google 的 BERT，从原版 BERT 到后续的改进版本（如 ALBERT、RoBERTa）；Gemini 从1.0版到现在的1.5，2.0也即将发布。
• Facebook AI Research (FAIR)的 RoBERTa，比原始 BERT 进行了更大规模的训练和优化。
• Hugging Face 维护着 Transformers 库，支持多种模型和版本，包括 BERT、GPT、T5、XLNet 等。
• Microsoft 推出的 DeBERTa，展示了前后的版本更新和性能提升。

在下面的文章中，我列举了市面上最常见的的大语言模型API供应商，由于实在是太多了，我只列举我觉得最常用的API供应商(不包括国内API供应商)及主要的模型版本。

OpenAI – ChatGPT

OpenAI ChatGPT介绍

什么是 OpenAI ChatGPT？

ChatGPT是 OpenAI 推出的基于GPT系列的大型语言模型产品，用于生成自然语言对话。ChatGPT 凭借其强大的语言理解和生成能力，能够与用户进行多轮对话，回答问题、生成创意文本、协助编写代码等，广泛应用于聊天机器人、客服系统、内容生成等场景。

ChatGPT 的核心特点：

1、基于 GPT 模型：ChatGPT 是基于 GPT（生成式预训练转换器）系列模型，尤其是 GPT-3.5 和 GPT-4 版本。GPT 是一种使用 Transformer 架构进行大规模预训练和微调的语言模型，擅长从上下文中学习模式并生成连贯的文本。

2、对话能力：ChatGPT 具备强大的对话生成能力，能够理解和回应用户的多种请求，无论是简单的聊天还是复杂的问题回答。它可以进行多轮对话，记住上下文并保持连贯性。

3、生成多种语言内容：ChatGPT 支持多种语言，用户可以使用英文、中文、法文、西班牙文等语言与 ChatGPT 进行交流。它不仅能生成文本，还可以根据提示创作诗歌、故事或进行代码编写。

4、高效的学习能力：ChatGPT 使用少样本学习（Few-Shot Learning）和零样本学习（Zero-Shot Learning）技术。用户只需提供少量例子，甚至不需要任何例子，ChatGPT 就能理解任务并生成准确的文本内容。

5、自适应性：ChatGPT 可以在多个领域提供帮助，从技术支持到文案创作再到学术讨论，展现出极高的适应性。这使得它可以应用于多种行业，包括教育、娱乐、商业等。

ChatGPT 的优势：

• 多任务处理：ChatGPT 可以轻松应对多种任务，如回答问题、生成对话、编写代码、语言翻译等，具备很强的泛用性。

• 响应速度快：通过 GPT-4 Turbo 等优化版本，ChatGPT 能在较短时间内提供高质量的文本生成。

• 广泛应用：无论是商业应用还是个人使用，ChatGPT 都能适应各类场景，用户可以快速集成 API 或者使用现成的应用进行部署。

主要模型版本及其功能

OpenAI API 提供了多个不同版本的语言模型，每个模型的性能、用途和成本有所不同：

GPT-4 系列模型

• GPT-4 Turbo：

这是 GPT-4 的优化版本，提供了更快的响应速度和更高的性能，同时降低了使用成本。GPT-4 Turbo 适用于需要高效生成大量文本内容的场景。

• GPT-4 (gpt-4o)：

这是 OpenAI 最新、最强大的模型。它具有非常出色的语言理解和生成能力，能够处理复杂的文本任务：无论是生成长篇文章，还是处理上下文对话，GPT-4 都表现得极其优秀，适合高精度内容生成、复杂对话系统、技术文档写作等任务。它能理解长时间的上下文并生成与之前对话内容高度相关的回答，适合新闻媒体、学术研究、技术写作、客户支持等使用场景。

• GPT-4-mini (gpt-4o-mini)：

这是 GPT-4 的精简版本，虽然性能略低于标准的 GPT-4，但仍然具有强大的文本处理能力。相比 GPT-4，它的计算需求和使用成本更低，适合那些需要平衡性能和成本的场景。适用于中等复杂度的任务，比如聊天机器人、自动化客服等任务，它在速度和成本方面更具优势。中小型企业的客户服务、内容审核、日常文本生成等。

GPT-3.5 系列模型

• GPT-3.5 (davinci)：

GPT-3.5 是 GPT-4 的前一代版本，虽然在性能上略逊于 GPT-4，但它依然能够胜任大多数文本生成任务。它在生成内容的质量和速度之间达到了很好的平衡。适合多种任务，如内容生成、对话系统、文本翻译和代码生成。它处理复杂任务的能力仅次于 GPT-4。需要自动化生成或与客户互动的公司，如新闻平台、在线教育、技术支持等。

• GPT-3.5-mini (curie)：

这是一个轻量级版本，能够处理大多数日常文本任务。相比 davinci，它在处理复杂内容时稍显不足，但更适合需要高效处理大量简单任务的场景。非常适合基础的聊天机器人、文本摘要、简单内容创作等任务。它能够快速生成短文档或简单回答。电子商务、内容推荐系统、自动化邮件回复等。

OpenAI O1系列模型

OpenAI O1 是 GPT 模型家族中一个相对优化的版本，专为在不同场景下提供更高效的计算和更强大的生成能力而设计。O1 模型在保留大语言模型核心能力的同时，通过优化的架构和计算性能，提供了较高的效率和准确性，适用于多种任务，如对话生成、文本分析、内容创作等。

O1 模型的主要特点：

1、优化性能：O1 相较于传统的 GPT 模型，经过优化以实现更高的性能。它可以处理复杂的语言生成任务，如编写代码、长篇文本生成以及复杂的问答任务，同时保持高效的运行速度。

2、广泛的应用领域：O1 模型可以被应用于多个领域，包括商业服务、技术支持、内容生成、自然语言处理任务等。它能够适应更复杂的上下文要求，并在对话和生成任务中提供准确且连贯的输出。

3、高质量生成：与更轻量级的模型相比，O1 提供了更高的生成质量，特别是在需要理解上下文和复杂推理的任务中，它能够输出更符合人类语言逻辑的文本。

O1 模型的优势：

• 均衡的计算成本和性能：O1 模型在计算资源使用和生成质量之间找到了良好的平衡，既能够提供足够的推理能力，又不会像更大的模型（如 GPT-4）那样占用过多的计算资源。

• 适用于多任务处理：O1 能够处理从简单的文本生成到较为复杂的对话、代码编写等任务。无论是生成创意文案、处理技术文档还是应对实时对话需求，O1 都表现出色。

• 优化的响应速度：O1 通过架构优化，在提供高质量输出的同时，显著减少了响应延迟，特别适合需要较快生成和反馈的应用场景。

O1 与 O1-mini 的区别：

• 模型规模：O1 相较于 O1-mini 具有更多的参数，因此在处理复杂任务和提供精确生成方面表现更为优异。

• 生成能力：O1 的文本生成质量通常比 O1-mini 更高，尤其在上下文理解和复杂任务处理上。O1-mini 更适合轻量级任务，而 O1 更适合需要更高准确度和更复杂推理的任务。

• 计算成本：O1 尽管比 O1-mini 占用更多的计算资源，但其在高性能任务中的表现也更为优越，适合对生成质量要求较高的用户。

总体而言，OpenAI O1 是一个高效且功能强大的模型版本，适用于那些希望在多种自然语言任务中保持平衡、精确和快速生成的应用场景。

附加知识：knowledge cutoff(训练截止日期)

在OpenAI的官网报价页面，可以看到，不同的模型介绍时，都有一个”knowledge cutoff”，目前是2023年10月：

这意味着目前模型的知识范围只涵盖了这个日期之前的信息，这样写明的具体原因如下：

1. 模型训练数据的限制：

像 GPT 这样的模型并不是实时接收信息的，而是基于大量预先收集和处理的训练数据生成的。每隔一段时间，OpenAI 会用新的数据集对模型进行训练(一次训练需要几个月的时间)。然而，模型在上线后并不会主动更新，直到下一个版本训练完成。因此，在给定的时间点，模型的知识只包括它最后一次训练时的数据。这是因为更新模型并非单纯加入新数据即可，模型更新后还需要大量的调试、优化和验证过程，确保其生成的内容准确性、合理性和可控性。如果频繁地引入新数据，模型的质量可能会不稳定。因此，模型更新往往需要周期性地进行，而不是实时更新。

2. 保持透明性：

为了让用户了解模型的知识范围，OpenAI 会在文档和使用说明中注明模型的 知识截止时间（knowledge cutoff）。这样用户可以清楚地知道，模型在回答问题时，不会包含 2023年10月之后的最新信息，比如新技术、新闻事件、政策变化等。另一个原因是目前的 GPT 模型是离线训练的，它们无法实时获取或学习互联网上的新信息。这些模型需要从静态的预训练数据集中获取知识，因此无法像搜索引擎那样访问和处理最新的新闻、研究或动态信息。

3. 避免误导：

这个提示也是为了避免用户产生误解，以为模型可以提供实时的信息或应对最新的情况。例如，用户询问2024年的最新事件时，模型可能无法准确作答，OpenAI 通过此提示提醒用户这一点。

4. **模型版本稳定性：

OpenAI 在对外提供 API 和商用服务时，通常会使用经过严格验证的稳定版本。模型发布后，知识可能已经过时，但优先保证模型在多个任务上的表现稳定，并确保安全性和可靠性，这些因素优先于实时更新数据的能力。

因此，尽管知识截止日期可能看起来“落后”，但这在当前的大型语言模型领域是很常见的做法。

OpenAI 等公司可能会在未来通过技术进步（如增强的实时更新机制）缩短这一滞后时间，但目前这种“滞后”仍是比较常见的现象。

注：还有一个模型命名方式和时间相关，例如”gpt-4o-2024-08-06″，这个只是模型发布或者更新日期，和”knowledge cutoff”不一样，这点大家要注意。

价格计算单位：Token

在 OpenAI API 的定价中，Token 是计算使用成本的基础单位。理解 Token 对于正确估算 API 调用费用非常重要。

什么是 Token？

• Token 的基本概念：

Token 是语言模型在处理文本时的最小单位，它可以是一个单词、一部分单词，甚至是标点符号。例如，英文中的 “chat” 是一个 Token，而像 “incredible” 这样的长词可能会被分成多个 Token。标点符号和空格也可能算作 Token。

• Token 和字符的区别：

Token 并不是简单地与字符或字节一一对应。模型会对输入文本进行拆分和编码，生成多个 Token。因此，输入的文本越长，所用的 Token 数量就越多。

具体示例：例如，句子 “OpenAI is awesome!” 由 4 个 Token 组成：”OpenAI”、”is”、 “awesome”、“!”。而中文中的一句话可能会被拆解为更多的 Token。对于一些复杂的文本，Token 数量可能显著增加。

Token 在 OpenAI 定价中的作用

在 OpenAI API 中，每次调用 API 都会基于 Token 的数量计费。调用 API 生成文本或进行其他操作时，系统会计算输入和输出的 Token 总量，按照 Token 数量进行收费。

• 输入 Token：你发送给模型的文本。

• 输出 Token：模型生成的回复。

每个 API 调用的总 Token 数量 = 输入 Token 数量 + 输出 Token 数量。

Token 计费示例：假设你输入了一段包含 100 个 Token 的文本，并请求生成一段 50 个 Token 的回复，系统会按 150 个 Token 进行计费。根据所使用的具体模型（如 GPT-4 或 GPT-3.5），每个 Token 的价格有所不同。

目前OpenAI Token价格

目前官网GPT-4o价格如下：

GPT-4o mini价格如下：

可以看出，GPT-4o mini比GPT-4o却是便宜了很多。

OpenAI还有其他模型版本及功能，我就不一一介绍了。更多OpenAI的模型版本及价格参见官网：https://openai.com/api/pricing/。

Azure OpenAI

Azure OpenAI和上节内容讲过的OpenAI之间是什么关系呢？

Azure OpenAI 和 OpenAI 的关系可以描述为”微软 Azure 平台通过云服务提供 OpenAI 的模型”，从而让开发者能够在 Azure 环境中访问和使用 OpenAI 的先进人工智能模型。具体来说：

• OpenAI 是一家独立的 AI 研究公司，开发了像 GPT-3、GPT-4、Codex 等大语言模型，广泛用于自然语言处理、文本生成、代码生成等任务。

• Azure OpenAI 则是 微软 Azure 云平台 上的一个服务，提供了 OpenAI 的模型接口，使得用户可以在 Azure 环境中轻松集成和部署 OpenAI 的模型。

这两者的关系可以概括为：

1. 技术合作：微软与 OpenAI 建立了深度的战略合作关系，微软提供云基础设施，OpenAI 专注于开发先进的 AI 模型。
2. API 提供：通过 Azure OpenAI 服务，微软的云客户可以直接通过 API 访问 OpenAI 的 GPT 模型、Codex 以及其他前沿 AI 技术。用户可以利用 Azure 提供的集成优势（如安全、数据管理等）来构建和部署 AI 应用。
3. 差异化平台：尽管 OpenAI 有自己的平台提供 API，Azure OpenAI 服务则是在 Azure 生态下的一部分，帮助用户将 OpenAI 的技术与微软的其他云产品（如 Azure 机器学习、存储、数据库等）无缝结合。

其实，最关键的点在于：OpenAI本身是限制大陆IP访问的，所以正常情况下要使用OpenAI必须使用科学或者魔法；并且如果是直接访问OpenAI官方API的方式，往往需要使用第三方代理来发起访问，稳定性难说之外，关键就是折腾。而Azure OpenAI提供的API，却是不需要使用科学或者魔法就可以直接访问的，这点非常之难得(目前国外API供应商能在国内不用科学或者魔法而直接使用的貌似就只有Azure OpenAI了)。

如果平时用户是使用本地大语言模型UI来访问OpenAI，那可选择的方法倒是很多，关键在于有些固化了OpenAI官方API地址的使用场景(比如wordpress的AI插件，具体设置步骤可以参看文章：家庭数据中心系列 WordPress聊天机器人插件”AI Engine”的功能探索及内置工具的研究)，在无法正常使用第三方API供应商的API地址的时候，有一个不需要科学或者魔法就可以直接使用的OpenAI API地址是非常重要的。

同时，Azure OpenAI相比其他API供应商的另一个优点，在于其API收费方式不是OpenAI官方的月租方式，而是按需使用付费，比如这个月就使用了1000个Token，那只需要付这1000个Token的使用费即可，这对于平时有其他的API供应商而只是需要一个备份的方案的朋友来说尤其适合。

注：Azure为新注册用户提供一个”价值 200 美元的免费试用额度”，用于在前 30 天内试用他们的各种云服务，这个优惠适用于首次注册 Azure 的用户，让他们可以体验和测试 Azure 的各种产品和服务，而无需立即支付费用(也就是说，OpenAI第一个月可以随便用了～)。

---

我在后面文章内容中提到的OpenAI同时包含”OpenAI”和”Azure OpenAI”，没有区分开来，因为本来就是不同渠道售卖的相同产品而已，不过，两者各有优势。

官方OpenAI：

• 缺点：plus套餐是20美金月租，这对于用得少的人(比如我)来说很不友好(用不起～)。
• 优点：每天有免费的GPT-4o额度可以白嫖(而且感觉训练知识库比较新，也不知是不是我的错觉)，用完额度之后会切换到GPT-3.5-turbo，对于轻量用户来说，省着用还是够用的。

Azure OpenAI：

• 缺点：没有每天的免费额度，对白嫖党很不友好。
• 优点：没有月租费，用多少给多少，按需收费，可以作为备用手段。

---

Google Cloud AI – Gemini

Google Gemini介绍

Google Gemini 是 Google 最新发布的 AI 语言模型系列，代表着 Google 在生成式 AI 和自然语言处理领域的顶尖水平。Gemini 是 Google 的旗舰大语言模型，它被设计用于处理和生成自然语言，支持从文本分析到复杂对话等各种任务。通过 Gemini，Google 将大幅提升其在生成式 AI 领域的能力。

Google Gemini特性：

1. 多模态支持：

Gemini 模型不仅支持文本生成和处理，还能够理解并生成图像、视频、代码等多种形式的内容。这种多模态能力使得 Gemini 在诸如自动生成图像注释、多媒体内容理解等应用中表现优异。

2. 强大的语言理解与生成：

与 OpenAI 的 GPT-4 类似，Gemini 具备极高的自然语言理解与生成能力。它能够处理复杂的上下文，并生成符合语境的高质量文本，适用于对话机器人、文档自动生成、代码自动补全等任务。

3. 广泛应用领域：

Gemini 能够被应用于多个行业和领域，包括医疗、法律、金融、客户服务等。无论是需要自动生成专业报告，还是进行大规模的数据分析，Gemini 都能够快速适应并提供智能解决方案。

4. 高效的知识整合：

Google 利用了其庞大的数据资源和知识图谱，确保 Gemini 拥有强大的知识基础。这让它在生成答案、撰写文章等任务时，更加准确并能够结合最新的事实与知识。

市场占有率与应用广泛性：

• Google 强大的生态系统：

Gemini 模型可以与 Google 的其他产品和服务（如 Google Cloud、Google Workspace）无缝集成，便于企业快速部署 AI 解决方案。

• 多模态能力：

相较于竞争对手，Gemini 的最大优势之一是其多模态处理能力。这让它不仅能处理文本，还能理解并生成多种形式的内容，适用于更多的场景和应用。

• 可扩展性与安全性：

依托 Google Cloud 的强大基础设施，Gemini 在处理大规模数据时表现稳定，并提供企业级的安全保护，适合从小型到大型企业的需求。

主要模型版本及其功能

Google 发布了多种版本的 Gemini 模型，每个版本都针对不同的使用场景和需求。以下是目前的主要版本及其对应的功能：

1. Gemini 1

Gemini 1 是最早期的模型版本，支持强大的语言生成能力，适用于基础的对话机器人、文本总结和内容生成等任务。支持自然语言处理与生成，适用于简单的对话系统、文章生成等应用。

2. Gemini 1.5

Gemini 1.5 是对初代模型的升级版本，提升了生成质量和推理能力，并优化了多模态处理，能够处理包括图像、代码在内的复杂任务。不仅支持文本处理，还能理解和生成图像、视频，适用于多模态应用场景，比如自动内容创作、代码生成等。

3. Gemini 2

即将推出的版本，Google 表示该版本会进一步加强多模态 AI 的能力，能够更精准地结合文字、图像、声音等数据，为企业和用户提供更加智能的解决方案。预计将大幅提高模型推理效率，并在更多复杂的行业场景中提供支持，如医疗诊断、法律分析等。

4. Gemini Pro 和 Gemini 1.5 Pro

• Gemini Pro：这是为企业级用户量身定制的高端版本，提供更高的处理速度和更强的生成质量。适用于需要高准确性和高并发处理的大型企业。
• Gemini 1.5 Pro：基于 Gemini 1.5 的增强版本，专注于企业应用场景下的高效处理与安全保障，特别适用于需要高性能推理和跨国数据分析的场景。

Gemini 模型的优势与对比

1. Gemini 与 GPT-4 ：

Gemini 的多模态支持和 Google 知识图谱的集成让它在复杂任务处理上占据优势。而 GPT-4 专注于语言生成，在文本生成质量和语言模型的精细化处理方面表现卓越。

2. Gemini 与其他模型的差异：

Gemini 强调跨领域能力，它不仅能生成文本，还可以理解和生成图像、视频等多模态内容，而大多数语言模型则主要专注于文本生成。

注：除了 Gemini 这个大语言模型之外，Google 还有另一款非常强大的自然语言处理工具：Google Cloud Natural Language API，这两者各有所长，前者侧重于生成式 AI，后者则侧重于对文本的分析和理解。不过，Google Cloud Natural Language API主要是针对企业可开发者，和AI的个人用户一般没什么关系(除非是插件之类的调用，见下一节内容)。

附加知识：Google Cloud Natural Language API

Google Cloud Natural Language API 是一个基于云端的服务，目的在于帮助开发者和企业理解和处理文本信息。它可以自动分析文章、文档或对话，提取出关键的主题、情感和实体（如人名、地名、组织等）。简而言之，Google 的 Natural Language API 让计算机具备理解人类语言的能力，帮助企业从海量文本中挖掘出有用的信息。

Google Cloud Natural Language API 的产品特性：

1. 情感分析：它能够自动判断一篇文章或一段文字的情感倾向，是积极的、消极的，还是中立的。这对于客户反馈、社交媒体监控非常有帮助。
2. 实体识别：API 可以从文本中提取重要信息，比如提到的人、地点、组织、产品等。这对于内容分类、信息检索和文本结构化处理非常有用。
3. 句法分析：它能够解析句子的结构，分析其中的词汇和语法关系。对于文本理解、自动翻译、语言学习等任务有很大的应用价值。
4. 内容分类：API 能够将文本自动分类到不同的主题类别（如体育、科技、娱乐等），这在自动化内容管理、新闻分类等场景下非常实用。
5. 多语言支持：Google Cloud Natural Language API 不仅支持英文，还支持多种语言的分析，包括中文、西班牙语、法语等，适合全球化的企业和用户。有一些翻译软件就可以通过调用该API完成多语言翻译，比如wordpress上的翻译插件”GTranslate”和”TranslatePress”，对这2款插件的使用感兴趣的朋友可以参看我的另一篇文章：家庭数据中心系列 WordPress站点实现多语言自动翻译及多语言SEO最佳实践(GTranslate及TranslatePress)。

市场占有率与应用广泛性：

Google Cloud Natural Language API 在全球市场中处于领先地位，特别是在处理非结构化文本数据方面。它在数据分析、客服系统、金融服务、内容推荐等领域被广泛应用。依托于 Google 强大的云计算基础设施，企业能够轻松扩展 API 的使用，无论是分析数百万条用户评论，还是处理复杂的社交媒体数据。

最大的竞争优势：

• 深度集成 Google 生态系统：Google Cloud Natural Language API 与 Google 的其他云服务（如 BigQuery、Cloud Storage）无缝集成，方便数据存储、分析和可视化。
• 准确的语言理解：由于 Google 长期积累的自然语言处理技术，它的 API 在情感分析、实体识别和内容分类方面有着较高的准确性。
• 可扩展性：Google 的云端基础设施确保了 API 可以处理从小规模文本到大规模数据集的各种需求，适合从小型企业到大型企业的使用。

Anthropic Claude API

Anthropic Claude API介绍

Anthropic Claude API 是由 Anthropic 公司推出的人工智能语言模型平台，旨在为开发者提供强大且安全的自然语言处理能力。通过 Claude API，用户可以在各种应用中使用这些模型进行文本生成、对话、问答、内容撰写、数据分析等任务。Claude 的命名源自信息论的创始人 Claude Shannon，它的设计理念特别注重安全性、可控性和可靠性，以确保输出的内容对用户和社会没有潜在的风险。

Claude API 强调安全性和道德规范，它被设计为尽可能减少生成不适当、误导性或有害内容的风险。这使得它非常适合在医疗、金融、教育等对输出质量要求高的领域使用。

Claude API 的另一大优势在于它的易用性和扩展性，开发者可以非常容易地将其集成到现有系统中，通过简单的 API 调用即可使用强大的自然语言处理功能。此外，Claude 模型还具有高度的稳定性和可调节性，能够根据需求调整生成的内容风格和复杂度。

主要模型版本及其功能

Anthropic 提供了多个不同的 Claude 版本，以适应不同的计算需求和任务类型。每个版本在性能、响应时间和功能集上有所不同，确保可以覆盖从轻量级任务到复杂文本生成的多样化应用。

1. Claude 3.5 Sonnet

Claude 3.5 Sonnet 是 Claude 3.5 版本的一个高性能变种，专门优化了在复杂文本处理、长篇文章生成中的表现。它能够生成更长、更连贯的文本，适合需要处理大量数据或长篇内容的任务，如报告生成、小说写作等。

主要功能：

• 提供高质量、连贯的长文本生成。

• 能够在复杂对话和多轮问答中保持上下文一致。

• 优化了处理时间较长的生成任务。

2. Claude 3.5 Lite

Claude 3.5 Lite 是一个轻量级版本，专门设计用于处理相对简单的文本生成任务，响应速度更快，适合对实时性能要求较高的应用，如智能客服、在线问答等场景。

主要功能：

• 提供快速响应的文本生成。

• 消耗较少的计算资源，适用于轻量级场景。

• 适合实时对话、用户互动等对速度有高要求的任务。

3. Claude 3.5 Chat

Claude 3.5 Chat 专门针对对话系统进行了优化，能够在对话生成和多轮交互中保持高效和一致的表现。它的应用场景包括智能客服、虚拟助理等需要与用户进行连续对话的场合。

主要功能：

• 高效处理多轮对话。
• 保持对话上下文的连贯性。
• 优化了对复杂问题的回答和对话生成。

4. Claude 3.0

Claude 3.0 是该系列的基础模型版本，适用于各种通用自然语言处理任务。它能够处理从文本生成、情感分析、到简单的问答系统等广泛的任务。

主要功能：

• 通用型自然语言生成和理解。
• 支持多轮对话和上下文保持。
• 在多数情况下可以提供高效且准确的文本生成。

模型版本之间的区别：

• Claude 3.5 Sonnet 是针对高质量、长篇文本生成的模型，适用于需要长时间保持上下文一致性的场景，如复杂的报告撰写和长篇内容生成。

• Claude 3.5 Lite 则是轻量级的版本，响应速度快，适合需要快速生成结果的应用，如客服系统或对话系统。

• Claude 3.5 Chat 专门针对多轮对话进行优化，确保在复杂对话中保持流畅、自然的互动。

一般我们直接用最新的Claude 3.5版本即可。

附加知识：其他官方API供应商

除了 OpenAI、Azure OpenAI、Google Gemini和 Anthropic Claude之外，市面上还有其他几家常用的大语言模型 API 供应商。以下简要介绍一下这几家供应商及其特点和提供的模型版本的介绍，以便大家有个印象。

1. Cohere

Cohere 是一家提供大规模自然语言处理 API 的公司，专注于自然语言理解和生成，适用于文本分析、文档分类、情感分析等多种任务。Cohere 的模型针对开发者和企业，提供了灵活且高效的语言模型服务。

特点与优势：

• 文本生成和理解：Cohere 的 API 提供了强大的文本生成和理解功能，适合用于生成复杂文本、总结、翻译等任务。
• 自定义模型：Cohere 支持用户基于其模型进行微调，以适应特定的行业需求。
• 开放架构：允许用户自定义模型输出，支持不同的语言和风格，适合多语言应用。
• 安全与合规：Cohere 强调模型的安全性和对用户数据隐私的保护。

主要模型：

• Command：Cohere 的旗舰模型，专注于指令式文本生成任务，适合文本撰写、回答问题和生成对话等。
• Rerank：用于提高搜索结果的准确性，适合信息检索和排序任务。
• Embed：专注于文本嵌入，适合文本分类、相似性分析等任务。

2. Hugging Face (Transformers API)

Hugging Face 是开源人工智能社区的领军者，提供了数百种自然语言处理模型。其 Transformers API 允许开发者调用各种预训练的大型语言模型，包括 GPT 系列、BERT、RoBERTa 等模型，满足各种自然语言处理任务需求。

特点与优势：

• 模型种类丰富：Hugging Face 提供了海量的开源模型库，开发者可以选择各种开源模型，并且可以微调现有模型以满足特定需求。
• 社区支持：Hugging Face 社区非常活跃，开发者可以通过社区资源快速学习并应用模型。
• 多任务支持：支持文本生成、翻译、情感分析、信息提取、对话系统等多种任务。
• 低成本和开源：多数模型可以免费使用，并且提供免费的微调和托管服务。

主要模型：

• GPT-2/3：Hugging Face 提供了 GPT 系列的开源版本，支持文本生成、对话等任务。

• BERT：适合文本分类、情感分析、问答系统等任务。

• RoBERTa：BERT 的改进版，擅长文本理解和上下文分析。

3. Mistral

Mistral 是一家新兴的大语言模型提供商，专注于高性能的开源语言模型。其发布的模型在准确性和计算效率上都有极高的表现，适合需要高质量生成和文本处理的任务。Mistral 专注于提供灵活的开源模型，适合开发者和企业定制化使用。

特点与优势：

• 开源模式：Mistral 提供开源的大型语言模型，允许用户在本地或云端进行定制化应用。
• 高性能模型：其模型能够在不牺牲生成质量的情况下显著提升处理速度，适合大规模并发任务。
• 专注文本生成：Mistral 的模型特别擅长生成自然流畅的文本，适合内容创作、代码生成、问答系统等场景。

主要模型：

• Mistral-7B：Mistral 旗下的旗舰模型，参数量为 7 亿，适合复杂的文本生成任务。相比其他同类模型，Mistral-7B 在性能和准确度上具有更高的性价比。

4. Meta (LLaMA API)

Meta（Facebook）推出了自己的大型语言模型 LLaMA，该模型主要用于研究和商业应用。LLaMA 提供了不同版本，适合各种自然语言处理任务，包括生成文本、理解上下文、问答等。

特点与优势：

• 轻量化：与其他大型语言模型相比，LLaMA 在保持高性能的同时，显著降低了计算资源的消耗。
• 开源模型：LLaMA 的模型开源，开发者可以基于 LLaMA 进行二次开发和微调。
• 研究驱动：LLaMA 主要面向学术界和研究机构，适合高级研究型任务。

主要模型：

• LLaMA 2：LLaMA 2 是 Meta 推出的新一代语言模型，具备增强的上下文理解和文本生成能力，适合各类自然语言处理任务。
• LLaMA 13B/65B：参数规模分别为 130 亿和 650 亿，专门用于处理复杂的自然语言任务。

第三方API供应商：OhMyGPT

OhMyGPT API 介绍

OhMyGPT API是一家专门提供多个大语言模型 API 对接服务的第三方平台(官方网址：https://www.ohmygpt.com/)。它的主要功能是帮助用户更方便、灵活地接入不同的大型语言模型 API，而无需单独配置和管理多个账户或平台。因此，用户可以通过 OhMyGPT 一站式调用 OpenAI、Anthropic、Google 等多家供应商的语言模型，从而减少管理和技术上的负担。

产品特性：

• 统一接口管理：OhMyGPT 为用户提供一个平台，整合多个语言模型的 API，通过一个统一的接口调用不同的模型，简化了开发流程。
• 价格透明：虽然 OhMyGPT 本身不提供模型，但它整合了市场上的 API 服务，并且通过打包定价或灵活计费的方式，帮助用户节省成本。
• 无缝切换供应商：通过 OhMyGPT，用户可以在不同的 API 供应商之间快速切换，便于比较不同模型的表现并选择最适合的方案。
• 开发者友好：OhMyGPT 提供简洁的文档和丰富的示例，适合技术背景各异的开发者轻松上手。

功能与市场竞争优势：

• 简化接入：开发者无需分别注册多个大语言模型 API 的账号，OhMyGPT 统一提供了 API 对接服务，简化了接入过程。
• 成本优化：通过打包不同 API 供应商的服务，OhMyGPT 为用户提供了更加灵活的付费方式，适合预算有限的开发者和中小型企业。
• 支持多供应商：无论是 OpenAI 还是 Anthropic Claude，OhMyGPT 允许用户快速对接，并根据需求灵活选择最适合的模型。

OhMyGPT 支持的主要 API 供应商及其功能

OhMyGPT 并没有自己的模型，它的作用是为用户提供一个平台，整合各大语言模型 API 供应商的服务。以下是 OhMyGPT 支持的主要语言模型 API 供应商及其功能：

1. OpenAI API：支持 GPT-4、GPT-3.5 系列模型，擅长文本生成、对话系统和文本分析任务。
2. Anthropic Claude API：支持 Claude 系列模型，擅长安全性高、稳健性好的对话和文本生成任务。
3. Google Gemini API：提供强大的多模态处理能力，适合图像、文本等不同类型数据的综合处理。
4. Azure OpenAI API：由微软提供，除了 OpenAI 模型的服务，还整合了 Azure 的云计算优势，适合企业级应用的场景。

所有支持的API供应商及模型如下：

OhMyGPT的优势

通过OhMyGPT来使用其他的API供应商的服务有以下几点优势：

• 跨平台使用：通过 OhMyGPT，用户只需一次付费，就可以在多个 API 供应商之间无缝切换，适应不同的使用场景(需要配合支持快速切换的本地大语言模型UI使用，例如Lobechat(ChatGPT Next Web应该也可以，只是我没试过)：

• 一站式体验：简化了多平台 API 的管理，降低了使用难度，特别适合需要频繁切换不同模型的开发者，也就是说，可以通过一个API地址就能访问多个API供应商(和上面一条一样，需要APP或者UI支持)。同时，可以非常清楚的知道各个API的消费明细：

• 多个API地址可供选择：官方提供了多条API线路，适合国内、国外不同的网络环境使用

• 性价比高：OhMyGPT采用预付费积分制，提供每日免费积分，所以更适合小规模、不频繁的使用的朋友(比如我～)，而最关键的是，基本使用费仅需20元人民币(我都勉强用得起)：

注：还记得前面mark过的本地大语言模型UI支持的”自定义API地址和模型版本”功能吗？只要可以自定义，理论上就可以配合OhMyGPT来实现对多个API供应商及模型版本的访问。不过嘛，理想和现实是有差距的，理论是理论，实际上却不是都可以成功(涉及API格式的兼容性问题)，所以只能说大家可以先试试。

总结

前文提到多个API供应商的不同的语言模型和版本，并且这些语言模型各自擅长的领域以及定价不尽相同，可能会在选择时搞得大家头昏脑胀。在日常生活中选择不同的 API 供应商和具体的模型版本时，取决于你对模型的”功能需求、速度要求、预算以及应用场景”的考量。

以下对常见的GPT-4o-mini、GPT-4o、OpenAI o1、Google Gemini 1.5、以及Anthropic Claude 3.5 Sonnet 的一些关键进行比较，以供大家参考。

GPT-4o-mini

这是 OpenAI 的一个优化版轻量模型，比标准版 GPT-4o 更快速和经济，但保留了 GPT-4 系列的强大推理能力。

适用场景:
• 适合日常对话、轻量级任务或需要快速响应的应用，如简单的客服系统、实时聊天等。

优点:
• 更低的成本，适合预算有限的用户。
• 响应速度快，适合实时应用场景。

缺点:
• 相比 GPT-4o 完整版，在更复杂的任务上表现较弱。
• 语言理解和推理能力相对较低。

GPT-4o

标准的 GPT-4 优化版本，具备强大的语言理解和推理能力，处理复杂问题表现出色。

适用场景:
• 适合需要高精度、复杂语言处理的应用，如内容创作、技术问答、复杂客户支持等。

优点:
• 强大的文本生成和推理能力，适合广泛的复杂任务。
• 在多任务处理上表现优越。

缺点:
• 相对较高的使用成本。
• 响应速度可能不如轻量版本。

OpenAI o1

OpenAI 系列中的另一个重要模型，强调多领域表现，擅长处理各种复杂的 NLP 任务。

适用场景:
• 适用于需要多领域知识和更高精度的应用，如法律、医学、教育等垂直领域的内容创作和技术分析。

优点:
• 广泛的领域覆盖，擅长处理高难度问题。
• 在生成上下文复杂的文本时表现出色。

缺点:
• 价格相对较高。
• 对于简单任务可能显得过于强大和浪费资源。

Google Gemini 1.5

Google 的大语言模型系列，具有强大的多模态处理能力（文字、图片等），Gemini 系列特别强调与现实世界知识的结合。

适用场景:
• 适合需要跨模态处理的应用场景，如生成图文结合的内容、视觉与语言混合任务、知识推理等。

优点:
• 多模态支持，适合需要图片和文本处理的任务。
• 深度集成了 Google 知识图谱，信息更加精确和可靠。

缺点:
• 成本较高，特别是对于中小型应用。
• 对于纯文本处理任务，可能没有明显的优势。

Anthropic Claude 3.5 Sonnet

Claude 系列模型以安全性、稳定性见长，专注于可控性和对话生成的优化，强调对敏感话题的安全处理和伦理问题。

适用场景:
• 适合需要对话系统、客户支持等应用，特别是对模型安全性和敏感内容管理要求较高的场合，如医疗、心理咨询等领域。

优点:
• 对话生成能力强，专注于安全性，适合需要高伦理标准的场景。
• 在长对话中上下文理解能力突出。

缺点:
• 成本可能较高，特别是在广泛应用的情况下。
• 对比其他模型，可能在数据广度上略有局限。

如何选择呢？

1、预算有限，追求快速响应：
• 选择 GPT-4o-mini。它的性能足以应付大多数日常任务，且成本较低，响应速度较快。

2、需要高精度、复杂问题解决方案：
• 选择 GPT-4o 或 OpenAI o1(贵)。这两个模型能够处理复杂任务，如内容创作、深入的技术问答或多领域分析。

3、跨模态处理（文字+图片）：
• 选择 Google Gemini 1.5。如果你的应用需要处理文字和图像的组合内容，这个模型更合适。

4、重视对话生成的安全性和稳定性：
• 选择 Claude 3.5 Sonnet。如果你的应用对伦理安全要求高，例如在医疗、心理健康等领域，这个模型的优势会更明显。

最后，不管选择以上哪个模型，都可以试试通过OhMyGPT来使用。

注1：据说从写代码的角度来说，OpenAI o1或者OpenAI o1-preview最好，但是太贵，而Claude 3.5 Sonnet相比OpenAI o1差别不大，但是价格却便宜很多，如有有朋友有用AI写代码的需求，可以验证下是否准确。

注2：除了以上这些我认为常用的API供应商及模型，还有很多在某些特定垂直领域有优势的API供应商及模型，只不过我现在孤陋寡闻，没听说过，自然没法一一整理出来，大家如果有非常规的需求，不用局限于本文中这些常规的API供应商，可以看看在特定领域有优势的其他API供应商，根据具体的需求权衡模型的能力、成本和应用场景的匹配度，最终来确认最合适的API供应商。

注3：据说一些国内的API供应商用起来也不错，有兴趣的朋友可以试试。