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(fù)雜的任務(wù)，比如自動化處理一批客戶郵件，背后可能要調(diào)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(fā)送……如果每一步都調(diào)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(fā)，AI的工作模式已經(jīng)發(fā)生了根本性轉(zhuǎn)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(xiàn)在AI面對一個復(fù)雜任務(wù)，要將其拆解成微小步驟分步推進。每一步都調(diào)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(fā)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(yōu)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(wù)調(diào)用。

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(wù)而設(shè)計。

事實就是，用單一模型處理所有事務(wù)性價比太低，經(jīng)常陷入高射炮打蚊子的境況，不如調(diào)整成大模型決定任務(wù)方向，小模型進行大規(guī)模快速執(zhí)行的方案。

OpenAI自家的Codex就是這么干的。

一個主模型負責(zé)理解任務(wù)意圖、拆解步驟，然后調(diào)度mini/nano級別的子agent去執(zhí)行具體的代碼修改、測試運行、結(jié)果校驗，每個子任務(wù)只消耗極低的成本。

大模型就像坐鎮(zhèn)中軍、運籌帷幄的主帥，只抓頂層戰(zhàn)略、調(diào)度全局資源。小模型則是無數(shù)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(wù)。

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?zāi)Ｐ虶PT-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(qū)動OpenAI做這件事的，是整個行業(yè)的使用趨勢已經(jīng)發(fā)生了根本性轉(zhuǎn)向。

輕量化小模型主要有調(diào)用成本低、響應(yīng)快這兩大特征，不少證據(jù)表明小模型已經(jīng)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(shù)量普遍集中在數(shù)十億至數(shù)百億級別，和Claude Opus這類動輒數(shù)千億甚至萬億參數(shù)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(diào)用量斷層領(lǐng)跑全榜，月度漲幅高達 476%；第2名Google Gemini 3 Flash Preview，調(diào)用量也達到4.24T tokens，遠超多數(shù)通用旗艦大模型。

Hugging Face Hub的模型下載量統(tǒng)計同樣印證了這一趨勢：92.48%的下載量來自少于10億參數(shù)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(shù)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(guān)注度，似乎并未轉(zhuǎn)化為真實的落地與采用。

從OpenAI自身的商業(yè)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(zhuǎn)化率僅約5%左右，絕大多數(shù)用戶仍停留在免費版本。這也成為其未來商業(yè)化最核心的增長空間。

絕大多數(shù)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(fù)雜推理能力，百億級以內(nèi)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(yīng)、無排隊等待的使用體驗，完美匹配絕大多數(shù)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(yōu)勢就只是小和便宜嗎？

No No No

根據(jù)OpenAI官網(wǎng)的一系列跑分測試，可以說它們能力表現(xiàn)也很突出。

在業(yè)內(nèi)公認最權(quán)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(xiàn)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(yīng)時長和所用成本，縱軸均表示模型在任務(wù)中的準確率。

GPT-5.4雖然準確率穩(wěn)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(cè)，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(yīng)速度和極低的成本。

對此，不少網(wǎng)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(yǎng)蝦的主流API選擇。

在OSWorld-Verified（真實電腦環(huán)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(jīng)常會瞎點或者反應(yīng)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(wù)上可以更加得心應(yīng)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(fù)雜任務(wù)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(wù)，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(gòu)真正的精髓。

這也恰恰是nano和mini發(fā)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(dān)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(tǒng)的效率和成本結(jié)構(gòu)都會發(fā)生質(zhì)變。

OpenAI想打的不是一場簡單的價格戰(zhàn)，OpenAI內(nèi)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?！?/p>

典型的薄利多銷。

過去“便宜”是國產(chǎn)模型的護城河，可是這道護城河正在被填平。對普通開發(fā)者和企業(yè)用戶而言，AI可能很快就會變成各行各業(yè)用得起、跑得快的新基礎(chǔ)設(shè)施。

小龍蝦的飼料費打下來了，養(yǎng)蝦的門檻也在悄悄降低。接下來的問題是：誰能養(yǎng)出最肥的蝦？