เราใช้ o3-mini เพื่อรองรับการสร้างคำขอคำอธิบายสินค้าจำนวน 1.2 ล้านครั้งในช่วงวัน Black Friday ซึ่งช่วยให้เราประหยัดค่าใช้จ่ายในการคาดการณ์ได้ถึง 62%

เมื่อเดือนที่แล้วบริการสร้างเนื้อหาของเราเกือบจะปิดตัวลง: รุ่นใหญ่ที่ใช้ในปัจจุบันก็เพิ่มราคาขึ้น 20% ในขณะที่เกณฑ์การ จํากัด ปัจจุบันลดลงครึ่งหนึ่ง มีการร้องขอ 17% โดยตรงในช่วงจุดสูงสุดของการทดสอบ 429 ทีมปฏิบัติการไล่ตามและถามว่ารายละเอียดสินค้าลด 12,000 ชิ้นในวันนั้นสามารถส่งออกได้ทันเวลาหรือไม่เราตัด 30% ของการเข้าชมไปยัง o3-mini ด้วยความคิดของการลอง ในที่สุดไม่เพียง แต่ดําเนินการโปรโมชั่นทั้งหมด แต่ยังมีต้นทุนต่ํากว่าที่คาดไว้

ก่อนอื่นเราต้องทำความเข้าใจกันว่า “o3-mini” คืออะไรกันแน่

นี่คือโมเดลการคำนวณแบบเบา (lightweight inference model) ที่ OpenAI เพิ่งเปิดตัวในปี 2026 ภายใต้ชื่อ Q1 โมเดลนี้เน้นการสร้างเนื้อหาที่มีโครงสร้าง (structured content generation) และการคำนวณที่มีความล่าช้าต่ำสำหรับงานที่เรียบง่าย โดยมีขนาดหน้าต่างบริบทสูงสุด (context window) อยู่ที่ 128k และค่าใช้จ่ายต่อโทเค็น (token cost) นั้นเพียง 1/8 ของ GPT-4o เท่านั้น

3 รายได้ที่เราได้รับจากการใช้งานจริง

• ในช่วง Black Friday มีการส่งคำขอสร้างคำอธิบายสินค้าจำนวน 1.2 ล้านครั้งต้นทุนการคิดโดยรวมลดลง 62% เมื่อเทียบกับการใช้ GPT-4o ก่อนหน้านี้ไม่เคยมีการเกิดการจำกัดการร้องขอ (throttling) เลย แม้แต่ในช่วงเวลาที่มีการร้องขอสูงสุดหนึ่งชั่วโมงก่อนที่การส่งเสริมการขายจะเริ่มต้นขึ้น ก็สามารถรับการร้องขอทั้งหมดได้
• คำขอส่วนใหญ่ได้รับผลลัพธ์ภายในเวลา 18 มิลลิวินาที ในขณะที่ก่อนหน้านี้อาจมีความล่าช้าหลายร้อยมิลลิวินาทีเมื่อใช้โมเดลขนาดใหญ่ เราได้ลบข้อความแจ้งเตือนเกี่ยวกับการโหลดเนื้อหาด้านหน้าเว็บออกไป และอัตราการแปลงของผู้ใช้งานก็เพิ่มขึ้นอีก 0.8 เปอร์เซ็นต์
• ความสามารถในการสร้างหลายภาษาในตัวโดยไม่ต้องปรับตัวเพิ่มเติม อัตราความถูกต้องในการสร้างคําอธิบายโปรตุเกสและสเปนของสถานีละตินอเมริกาสูงกว่า 21% เมื่อเทียบกับรุ่นขนาดเล็กที่ปรับแต่งเองก่อนหน้านี้โดยไม่ต้องใช้เวลาในการดําเนินงานเพื่อตรวจสอบทุติยภูมิ

อย่าเร่งรีบที่จะเปลี่ยนทั้งหมดเลย พวกเราเคยเจอปัญหาเหล่านี้มาแล้ว

อย่าใช้มันเป็นเหตุผลตรรกะที่ซับซ้อนสําหรับคําแนะนําสินค้าเราเริ่มต้นด้วยการป้อนลําดับการเรียกดูของผู้ใช้เพื่อสร้างคําแนะนําส่วนบุคคลสามครั้งในสิบครั้งเราพบข้อผิดพลาดในการเชื่อมโยงเช่นการวางคําแนะนําสําหรับเต็นท์กลางแจ้งภายใต้ไฟตั้งแคมป์และในที่สุดก็ตัดส่วนนี้กลับไปที่รูปแบบขนาดใหญ่

นอกจากนี้หากธุรกิจของคุณต้องการเรียกเครื่องมือตอนนี้มันสนับสนุนการเรียกเครื่องมือแบบขนานภายใน 3 เท่านั้นหากเกินกว่าจะพลาดการดําเนินการหรือส่งคืนข้อผิดพลาดพารามิเตอร์ การเรียกสอบถามสินค้าคงคลังของเรามากกว่า 2 ครั้งมีปัญหาการแสดงราคาที่ไม่ถูกต้องหลายครั้ง ตอนนี้มันถูกเปลี่ยนเป็นมากกว่า 2 เครื่องมือเรียกโดยอัตโนมัติเส้นทางไปยังโมเดลขนาดใหญ่ทั่วไป

ใครที่เหมาะสมกับสิ่งนี้ ก็ควรจะใช้มัน ส่วนใครที่ไม่เหมาะสมเลย ก็ไม่จำเป็นต้องสนใจมันเลย

หากสถานการณ์ทางธุรกิจของคุณคือการสร้างเนื้อหาที่มีโครงสร้างในปริมาณมาก การระบุเจตนาของผู้ใช้งานอย่างง่าย หรือการตอบคำถามที่พบบ่อย (FAQ) โดยทั่วไป โดยเฉพาะอย่างยิ่งสำหรับธุรกิจขนาดเล็กและขนาดกลางที่ไม่มีทรัพยากรคอมพิวเตอร์เพียงพอสำหรับการปรับแต่งโมเดลขนาดเล็กเองo3-miniเป็นตัวเลือกที่คุ้มค่าที่สุดแน่นอน

แต่ถ้าคุณต้องการดีบักโค้ดที่ซับซ้อน ทำการอนุมานตามตรรกะหลายขั้นตอน หรือวิเคราะห์เอกสารยาวอย่างลึกซึ้ง ก็ควรเลือกใช้แบบจำลองขนาดใหญ่ที่ใช้งานได้ทั่วไปจะดีกว่าo3-miniอัตราความแม่นยำในการแปลจะลดลงอย่างเห็นได้ชัด และยังต้องใช้เวลามากขึ้นในการตรวจสอบผลลัพธ์อีกด้วย

2 ข้อแนะนำปฏิบัติสำหรับผู้ใช้ครั้งแรก

ทําสีเทาไหล 7 วันก่อน อย่าตัดเต็มปริมาณโดยตรงเราเริ่มต้นด้วยการตัดฉากการสร้างฉลากสินค้าที่ไม่ใช่หลักเป็นเวลา 3 วันและยืนยันว่าอัตราข้อผิดพลาดอยู่ในช่วงที่ยอมรับได้ก่อนที่จะค่อยๆตัดไปยังฉากหลักของคําอธิบายสินค้าเพื่อหลีกเลี่ยงปัญหาที่ส่งผลกระทบต่อธุรกิจออนไลน์

คุณสามารถสร้างชั้นเรียกดูเส้นทาง (routing layer) ที่เรียบง่ายขึ้นมาเองได้ โดยการจัดเรียงคำขอตามระดับความซับซ้อน คำขอที่ง่ายกว่าจะถูกส่งไปยังกระบวนการประมวลผลที่เกี่ยวข้องo3-miniการร้องขอที่ซับซ้อนจะถูกส่งไปยังโมเดลขนาดใหญ่โดยอัตโนมัติ ซึ่งไม่เพียงแต่ช่วยประหยัดต้นทุน แต่ยังไม่ส่งผลกระทบต่อประสิทธิภาพในสถานการณ์ที่ซับซ้อนอีกด้วย นี่คือสิ่งที่เรากำลังทำอยู่ในปัจจุบัน โดยมีการร้องขอถึง 90% ที่ถูกส่งไปยังโมเดลขนาดใหญ่o3-miniคำขอที่ซับซ้อนเหลืออยู่ 10% ถูกส่งไปยังโมเดลขนาดใหญ่ ทำให้ต้นทุนโดยรวมลดลงมากกว่าครึ่งหนึ่ง

ปัญหาเล็ก ๆ ที่พบบ่อย

Q: คุณต้องการปรับแต่ง o3-mini หรือไม่?ตอบ: ถ้าฉากของคุณเป็นการสร้างเนื้อหาทั่วไปไม่ต้องใช้เลยเอฟเฟกต์พื้นเมืองก็เพียงพอแล้วในกรณีที่มีคํานามที่เป็นเอกลักษณ์ของอุตสาหกรรมจํานวนมากคุณสามารถป้อนตัวอย่างหลายร้อยตัวเพื่อปรับแต่งความแม่นยําเพิ่มขึ้น 14% หลังจากการปรับแต่งคําอธิบายชิ้นส่วนรถยนต์ของเราและเพิ่มค่าใช้จ่ายเพียง 5%

ถาม: ข้อมูลมีความปลอดภัยหรือไม่?ตอบ: โดยค่าเริ่มต้นจะไม่ใช้ข้อมูลที่ป้อนโดยผู้ใช้ในการฝึกอบรมแบบจําลอง หากคุณมีความต้องการในการปฏิบัติตามกฎระเบียบคุณสามารถเลือกอินสแตนซ์พิเศษเพื่อปรับใช้ ค่าใช้จ่ายจะมีราคาแพง 30% แต่ข้อมูลจะถูกแยกอย่างสมบูรณ์เหมาะสําหรับการประมวลผลเนื้อหาที่เกี่ยวข้องกับความเป็นส่วนตัวของผู้ใช้