子代理架构——OpenAI正在押注蚂蚁雄兵

3月17日，OpenAI发布了GPT-5.4 mini和nano。

这次发布最反常的地方在于：OpenAI最引以为傲的不是模型更大了，而是模型更小了。

先看价格。

GPT-5.4 nano的定价是每百万输入token 0.2美元，输出1.25美元——比Google最便宜的Gemini 3.1 Flash-Lite还低。而GPT-5.4 mini是0.75美元输入、4.5美元输出，只有旗舰GPT-5.4的三分之一。对比竞品，Claude Opus 4.6的输入价是nano的25倍，输出价是nano的20倍。

再看能力。

nano在SWE-Bench Pro上拿到了52.4%，直接超过了上一代GPT-5 mini的45.7%。也就是说，今天最便宜的模型已经比几个月前的"中端"模型更强了。而mini更夸张，SWE-Bench Pro 54.4%，逼近旗舰的57.7%，但速度快了两倍以上。在OSWorld视觉测试中，mini拿到72.1%，几乎追平旗舰的75%——这意味着它能看懂复杂的用户界面截图并自主操作电脑。

Django框架联合创始人、知名 AI 开发者博主Simon Willison做了一个直观的测试：用nano描述一张博物馆照片，消耗了2751个输入token和112个输出token，成本是0.069美分——不到一毛钱的十分之一。按这个单价算，他个人相册里的76000张照片全部用AI描述一遍，总共只要52美元。

这个数字值得停下来想一想。两年前，用AI处理一张图片的成本可能是几美分。现在是万分之几美分。降了几百倍。

GPT-5.4全家族：谁干什么活

GPT-5.4旗舰版是"总指挥"。支持最高等级的推理，适合复杂决策、长链条推理、最终判断。你可以把它想象成一个经验丰富的架构师，只在关键节点出手。

GPT-5.4 mini是"高级执行者"。400K上下文窗口，支持文本、图像、工具调用、网页搜索、电脑操控。速度比上一代快2倍。

GPT-5.4 nano是"快速工兵"。专为高吞吐场景设计。分类、数据提取、排序、简单编程——这些不需要深度思考但需要快速完成的任务，是nano的主场。

TechRadar的测评标题说得很直白："我测试了新的mini和nano模型——没想到它们这么强。"测评者发现，在很多日常任务中，mini和nano的输出"和完整版GPT-5.4几乎分辨不出来，只是明显更快"。

这句话的潜台词是：对于大部分日常使用场景，你根本不需要用最贵的模型。

子代理架构：一个将军带一群士兵

现在到了最关键的部分——OpenAI为什么同时推出这么多不同尺寸的模型。

答案藏在Codex的架构设计里。

Codex是OpenAI的云端编程Agent，每周超过200万活跃用户。它的工作方式不是让一个模型从头干到尾，而是分层协作。GPT-5.4旗舰负责理解你的需求、拆解任务、制定计划、做最终判断。然后它把具体的执行任务分发给mini和nano——搜索代码库、审查文件、处理文档、运行测试——这些任务由小模型并行完成。

OpenAI在官方文档里明确说了：在Codex里用mini做子任务，只消耗旗舰模型30%的配额。

这就是子代理架构。一个将军不需要亲自冲锋，他需要的是一群靠谱的士兵快速执行命令。将军只在战略层面做决策，战术执行交给士兵。

这个设计背后的逻辑很简单：10个mini并行处理的总吞吐量，远远超过1个旗舰串行处理。而且成本只有三分之一。在大多数编程任务中，mini的54.4%和旗舰的57.7%之间的差距，远没有速度和成本的差距重要。

Simon Willison用一个好玩的方式验证了这一点。他让GPT-5.4全家族在五个推理等级下各画了一只"骑自行车的鹈鹕"，生成了下面这个对比网格图。

在最高推理等级下，nano的画就已经相当不错了，mini和旗舰之间的差异在很多场景下肉眼难以分辨。最贵的GPT-5.4在最高推理等级画出的鹈鹕嘴里还叼着一条鱼——但这种"极致细节"的场景，在日常使用中其实很少遇到。

不只是OpenAI的选择

子代理架构不是OpenAI独创的，而是整个行业正在形成的共识。

Anthropic的Claude Code也在走类似路线。Google推出了极低价的Gemini 3.1 Flash-Lite。每家公司都意识到了同一件事：未来的AI系统不是一个超级大模型，而是一个模型编排系统。

这和软件工程的演进是同一个故事。二十年前是大型机时代，所有计算跑在一台超级计算机上。后来变成了微服务架构——把大系统拆成几十个小服务，各司其职，独立部署，水平扩展。

AI正在走同样的路。从"一个模型搞定一切"到"不同模型各司其职"。

这个转变的意义比任何单一模型的性能提升都大。因为它改变的不是能力的上限，而是能力的分配效率。你不需要用开豪车的价格去买一辆只用来送外卖的车。你需要的是一个合理的车队——几辆豪车做大单，一大批电动车跑日常。

成本坍缩正在创造新物种

回到Simon Willison那个52美元的例子。

当AI视觉理解的成本降到每张图不到0.1美分，一些以前"算不过来账"的事情突然变得可行了。

个人照片的全量语义搜索——不是按日期找，而是说"帮我找那张在海边穿红色衣服的照片"，AI翻遍你7万张照片帮你找到。以前这需要人工标注或者昂贵的AI推理，现在52美元就能把所有照片都"看"一遍并建立索引。

电商平台的百万级SKU自动描述——每个商品拍几张照片，AI自动生成多语言的产品描述，成本几乎可以忽略。

医疗影像的普筛——以前用AI做一次CT影像分析可能要几美元，现在用nano级别的模型做初筛，成本降到几美分。初筛发现异常的再交给高级模型精查。这本身就是子代理架构的医疗版——nano做海量初筛，旗舰做少量精判。

每一次成本降一个数量级，就会催生一批之前不存在的商业模式。就像手机通话从按分钟计费变成无限包月后，出现了外卖、打车、直播这些全新的产业——它们不是因为技术突破而诞生的，而是因为成本结构改变而诞生的。

真正的竞争力在哪里

这一切对普通人和企业意味着什么？

最直接的结论："用不起AI"这个借口正在消失。nano的定价已经低到可以大规模部署在几乎任何业务流程中。不是"能不能用AI"的问题，而是"怎么编排AI"的问题。

真正的竞争力不再是"能不能用上AI"——因为所有人都能用。也不是"能不能训练模型"——因为开源模型越来越强。

真正的竞争力是：能不能设计好AI之间的协作方式。

哪些任务用旗舰模型，哪些用mini，哪些用nano？怎么设计任务拆解的逻辑？怎么处理子代理之间的信息传递？怎么在成本和质量之间找到最优解？

这些问题的答案，就是未来AI产品的核心壁垒。

最好的将军不是最能打的那个人，而是最会排兵布阵的那个人。AI的时代，也是一样。

今日互动：你觉得未来AI产品的核心竞争力，是模型本身的能力，还是模型之间的协作方式？欢迎在评论区聊聊你的看法。