选择合适的大型语言模型可能会感到不知所措，尤其是当您不完全生活和呼吸AI

时

但是，当我们完成每个人的工作时，我们对他们擅长的东西有了真正的感觉（它们不足的地方）。

所以，让我们谈谈使用什么，

Chatgpt OpenAI-O1：可靠的全能者

让我们从chatgpt和openai-o1开始。

OpenAI的最新模型令人印象深刻，人们对其“推理”能力大肆宣传 - 基本上，它旨在解决更多逻辑繁重的东西以及Chatgpt一直很棒的创意任务。

为什么我们喜欢 逻辑上的很大：OpenAI-O1使用了所谓的思想推理。简而言之，最好逐步浏览复杂的问题。 自定义GPT：此功能使我们可以创建模型，以记住特定于工作的指令。如果我们需要像项目经理或社交媒体辅助一样思考nt，我们只需单击几下即可进行设置。 跌落的地方 过度杀害基本内容：大多数时候，GPT-4可以完成工作。 OpenAI-O1可以通过复杂的任务闪耀，但是对于更直接的用例，您可能不会注意到巨大的差异。 这不是量子飞跃：幕后大改进。如果您期望看到日常使用的大规模变化，那么您可能会不知所措。

何时使用它：任何涉及更复杂逻辑或需要量身定制的响应的内容，例如编码或详细的内容编辑。

Claude by Anthropic：摘要的讲故事冠军

Claude是我们的首选，总结并理解长文件。

这在讲故事方面也很棒，如果您从事内容创建或需要简化密集的信息，这很有帮助。

是什么使它脱颖而出 文档摘要：克劳德（Claude）在融合信息方面非常出色，因此当我们拥有大量文件并需要快速摘要时，这是完美的。 用户 - 友好的自定义：Anthropic的项目功能使我们可以为重复任务设置自定义说明。感觉比Chatgpt的设置更直观。 要注意什么 文件尺寸限制：如果您上传大文件（超过20 MB），Claude有时会带来适合。我们通常会压缩PDF来解决此问题，但值得一提。

最佳用例：总结或创建内容时，您需要一个易于导航的简单，可靠的工具。

Google Gemini：上下文之王（和播客）

Google的双子座感觉就像在处理大量数据时一样。

我们喜欢它具有庞大的上下文窗口，这意味着它可以在需要时容纳和处理整本书。另外，它有一个名为Notebook LM的古怪新工具，它将Docs变成您的迷你播客。

为什么很酷 处理巨大的数据负载：Gemini可以立即跟踪大量文档，因此，如果需要，我们可以加载整个库。 ：此功能实际上以对话播客格式将文档变成音频摘要。这是在多任务处理时获得某事的好方法。 缺点 定制有限：虽然它具有“宝石”（Google对自定义GPT的答案），但它们是基本的。您无法像Chatgpt或Claude一样将其连接到其他工具或API。

何时转向双子座：当您需要一次处理一系列数据时，或者如果您在做其他事情时，您想进行音频摘要。

META的Llama：隐私灵活性

llama不一定是最先进的，而是因为它是开源的，所以当隐私是一个问题时，这是我们的首选。

与其他人不同，Llama可以在您的计算机上离线运行，因此它不会与大型技术公司共享数据。

为什么我推荐它 保持私密性：由于美洲驼在本地运行，我们可以确定我们的数据落在互联网之外。 高度可定制的：美洲驼的开源，这意味着我们（或任何开发人员）可以修改它R独特的需求。我们没有做太多事情，但是很高兴知道这是一种选择。 弱点 不是最强大的：对于高质量的内容或解决问题的问题，它不如克劳德（Claude）或chatgpt好。但是对于基本用例，它是可靠的。

使用有意义时：任何时间隐私是关键，例如使用敏感的内部数据，或者只需要快速的本地解决方案。

XAI的Grok：Twitter数据现实图像生成

Grok是一个有趣的人 - 它是一个社交媒体的本地人，与X（以前为Twitter）集成在一起。

这是一个不错的模型，并带有强大的图像生成器磁通量，可以使超现实的视觉效果。但是，它真正发光的地方是实时吸引Twitter数据。

为什么我们使用它 实时Twitter洞察力：Grok让我们看到了当场的趋势或分析流行的Twitter配置文件。 图像生成：通量可以创建人，场景等现实的图像，而对主题的限制很少。 缺点 利基市场用例：非常适合Twitter数据D图像，但在诸如摘要或讲故事之类的一般任务中并没有脱颖而出。

理想用途：社交媒体研究并为内容生成现实的视觉效果。

困惑：研究人员最好的朋友 从技术上讲，

从技术上讲不是传统意义上的LLM。取而代之的是，这是一种由AI驱动的研究工具，可从Internet获取信息，然后使用模型来ime。

当我需要快速，准确的信息或关于主题的第二意见时，这是我们的首选。

是什么使其必不可少 Web搜索功能：困惑搜索网络并总结内容，使其非常适合研究重度任务。 选择您的模型：我们可以将GPT-4，Claude甚至OpenAI-O1用作困惑性的“引擎”，因此我们始终获得适合我们需求的模型。 警告 仔细检查准确性：有时会混合相似的名称或提取过时的信息，因此可以交叉检查重要事实是一件好事。

当我使用困惑时：任何时候我处于“研究模式”或需要最新博客文章，演示或会议的见解。

找到合适的LLM可以像将工具的优势满足您的需求一样简单。

我们的建议？尝试一些，然后毫不犹豫地混合匹配以获得最佳效果。