OpenAI API。

OpenAI API

OpenAI API 的核心参数与统计

OpenAI API 是当前全球调用量最大的大模型 API 服务之一，提供从文本对话、图像生成、语音识别到嵌入向量的多模态能力矩阵。其核心参数在不同模型间拉开明显梯度，形成从旗舰高精度到轻量低成本的全覆盖策略。

特性	GPT-4o	GPT-4o-mini	o4-mini	说明
定位	多模态旗舰	高性价比轻量	推理加速型号	覆盖不同精度与成本需求
上下文窗口	128K tokens	128K tokens	128K tokens	全系列统一上下文
最大输出	16K tokens	16K tokens	16K tokens	标准输出长度
知识截止	~2025-06	~2025-06	~2025-06	以官方文档为准
多模态输入	文本+图像+音频	文本+图像	文本	旗舰型号模态最丰富
结构化输出	支持	支持	支持	全系列标准化

参数分层解读：旗舰型号 GPT-4o 承担高复杂度任务（多模态分析、复杂指令跟随、长文档推理），而 GPT-4o-mini 以接近 10-20 倍的价格差异覆盖高频低延迟场景（客服、内容分类、简单问答）。o4-mini 系列在数学推理和代码生成上经过强化，适合需要精确链式推理的 STEM 类任务。三者形成"旗舰质量-经济吞吐-推理专用"的三角覆盖。

性能与吞吐参考：OpenAI 官方未持续公开精确的 TTFT（首字延迟）与并发频控数值。根据第三方评测（如 Artificial Analysis）的抽样数据，GPT-4o-mini 在中等并发下的 TTFT 约为 200-500ms，GPT-4o 约为 500-1500ms，o4-mini 推理模式视任务复杂度波动较大。频控方面，默认免费层 RPM 和 TPM 限制较低，付费层根据用量等级递增，具体以官方实时文档和账户实际使用为准。

OpenAI API 的用户与市场认可

OpenAI API 的市场地位无法绕开——它是大模型商业化的标杆产品，是几乎每一款 AI 原生应用在初期评估时的默认对标对象。

C 端影响力：ChatGPT（基于相同底层模型）到 2026 年已积累超过 5 亿注册用户，周活稳定在 2 亿以上。虽然 C 端用户通过 ChatGPT 界面而非直接调用 API，但 ChatGPT 的使用习惯直接推动了开发者对 OpenAI API 的了解和采纳。ChatGPT Plus/Pro 订阅制为企业级 API 服务培育了付费意愿。

B 端采用深度：OpenAI API 已被全球超过 100 万开发者和企业接入（数据来源于 2025 年官方披露的市场活动），覆盖金融、法律、医疗、电商、教育、软件研发等垂直行业。企业客户包括摩根士丹利Salesforce、Stripe 等头部科技与金融企业。采用形式从简单的智能客服问答扩展到了合同审查、代码生成、数据分析流程、个性化推荐等核心业务场景。

行业基准表现：GPT-4o 系列在 MMLU、GPQA、HumanEval 等主流基准上长期保持在闭源模型中的第一梯队。但在特定领域基准（如法律专业考试、医学执照测试）上，面临来自 Claude Opus 和 Gemini Ultra 的强力竞争。第三方评测（如 LMSYS Chatbot Arena）显示用户对 GPT-4o 的综合偏好处于头部区间，但在创意写作、长文档精确引用等任务上并非始终领先。

开发者生态：OpenAI API 拥有最成熟的 SDK 体系——官方提供 Python、Node.js、Go、Java、.NET 等主流语言的 SDK，社区贡献的第三方绑定覆盖更多语言栈。OpenAI 的 API 设计（特别是 Chat Completions 接口）事实上已成为行业标准接口规范，大多数竞品（DeepSeek、Claude、Gemini）均选择兼容此格式以降低开发者迁移成本。

OpenAI API 的成本优势

OpenAI API 的定价经历了从"早期高单价"到"多档分层"的演变，目前形成以 GPT-4o-mini 为成本拐点、旗舰模型拉高质量天花板的双层结构。

C 端/个人用户：个人开发者可以通过 OpenAI 平台注册账号获取免费试用量（通常是 $5-18 的初始赠金，具体以官网实时政策为准）。免费额度用尽后转为按量付费，无需长期订阅。对于轻量级使用（日均数百次调用），月费用通常在几十美元以内。适用边界：免费层频控限制严格（约 3-20 RPM），不适合生产级应用；个人项目建议直接从付费层开始。

开发者/API 调用：全模型价格对比

模型	输入（每百万 token）	输出（每百万 token）	适用场景
GPT-4o	$2.50	$10.00	多模态分析、复杂指令、高质量内容生成
GPT-4o-mini	$0.15	$0.60	客服、分类、摘要、高频低延迟场景
o4-mini	$1.10	$4.40	数学推理、代码生成、结构化逻辑任务
GPT-4.1	$2.00	$8.00	超长上下文、代码生成、复杂指令（至 1M token）
GPT-4.1-mini	$0.40	$1.60	经济型长上下文场景
GPT-4.1-nano	$0.10	$0.40	超轻量长上下文处理

价格梯度含义：从 GPT-4o-mini 到 GPT-4o，输出价格相差约 16 倍；从 GPT-4.1-nano 到 GPT-4o，相差约 25 倍。这种价格跨度允许开发者在同一 API 体系内根据任务精度需求选择模型，而无需切换供应商。对于日均百万 token 输入的中型应用，全部使用 GPT-4o-mini 的月费用约 $9（输出 $18），而全部使用 GPT-4o 则需约 $150（输出 $600）——差距可达 20-30 倍。

企业/私有化部署：OpenAI 官方不提供开源模型权重，因此企业无法自托管 OpenAI 模型。企业级服务通过 Azure OpenAI Service 或 OpenAI 的企业计划提供：数据不用于模型训练、支持专用实例（Provisioned Throughput）、提供 SLA 保障和 VPC 隔离。企业定价需联系商务团队按需报价，阶梯折扣通常承诺年消费 $10 万以上可谈。隐性成本：模型版本的向后兼容性——OpenAI 会定期折旧（deprecate）旧模型版本，企业需预留模型切换的测试和迁移预算。

OpenAI API 的主要功能

OpenAI API 的功能体系围绕 Chat Completions 接口构建，但扩展出了覆盖多模态、实时交互、自动化编排的完整工具箱。

• 多模态理解（Vision）：GPT-4o 可直接分析图像内容——图表解读、物体识别、手写文字转录、截图分析。适用于发票 OCR、产品图片标签化UI 截图转代码等场景。能力边界：精细的版面布局还原（如表格结构精确复原）仍需后处理；对旋转角度过大或低分辨率的图片，识别准确率下降明显。

• 结构化输出（Structured Outputs）：通过 response_format 参数指定 JSON Schema，模型输出将严格符合预定义结构。相比常规的 Function Calling，结构化输出在类型约束和字段完整性上更严格，适合需要确定性数据结构的场景——如信息抽取流水线API 响应格式化、数据库写入准备。

• Function Calling / Tool Use：模型可以自动选择调用外部工具（函数），将结果融入回复。这使得单个 API 调用即可完成"理解意图 → 调用工具 → 整理结果"的完整闭有。典型应用：天气查询、数据库查询、机票比价、代码执行。落地提示：Function Calling 的稳定性高度依赖函数描述（description）的清晰度——模糊描述会导致模型选错函数或编造参数。

• 实时 API（Real-time API）：基于 WebSocket 的低延迟语音到语音交互，单次往返延迟通常在毫秒级。适合语音助手、实时翻译、客服语音交互等场景。当前仍属于较新能力，文档和工作流工具链仍在完善中。

• Batch API（批处理）：支持异步提交大批量请求，处理完成后统一回调。批处理价格约为实时 API 的 50%，适合数据标注、内容批量审核、大规模信息抽取等对延迟不敏感的场景。用时参考：OpenAI 官方说明批处理通常在 24 小时内完成，具体取决于队列深度。

• 微调（Fine-tuning）：允许开发者用私有数据对基础模型进行额外训练，优化特定任务表现。适用于领域术语密集、输出格式高度定制、品牌语调等场景。支持全参数微调与 LoRA 等参数高效微调方案。成本考量：微调训练按 token 计费，托管微调模型按运行时长计费；对一个中等规模（~10 万条样本）的 GPT-4o-mini 微调，训练成本约数百美元，长期托管月费约数百至数千美元。

• Assistants API（助手 API）：提供对话状态管理、知识库检索、代码解释器等功能，将 GPT-4o 打包为可嵌入应用的"AI 代理"形态。开发者只需定义指令、挂载知识文件、配置工具，即可获得一个可执行多步骤任务的智能助手。

OpenAI API 的模型与版本演进

OpenAI 的模型迭代遵循"能力底座 + 特化分支"的双轨策略，基础能力模型持续进化，同时在推理、多模态、成本优化等维度开辟专用型号。

GPT-4 系列：多模态融合与成本分层（2023-03 至今）

• GPT-4（2023-03-14）：首次引入多模态能力，在多项专业考试中达到人类水平，是当时参数规模最大、能力最强的商用大模型。
• GPT-4 Turbo（2023-11-06）：上下文扩展至 128K，知识更新至 2023-04，价格较 GPT-4 降低约 50%，引入 JSON 模式与函数调用优化。
• GPT-4o（2024-05-13）：原生多模态架构，文本+图像+音频统一处理，实时对话延迟降至 200-300ms 量级，是 GPT-4 系列的根本性架构重构。
• GPT-4o-mini（2024-07-18）：高性价比多模态小模型，以极低成本覆盖大多数日常任务，成为中小团队的首选入门模型。
• GPT-4.1 系列（2025-04-14）：代码能力显著增强，上下文扩展至 1M token（GPT-4.1），引入 mini/nano 经济型号，定位工程开发场景。

o 系列：推理特化与链式思考（2024-09 至今）

• o1-preview / o1-mini（2024-09-12）：首个推理特化系列，在奥赛数学、编程竞赛等需要长程链式推理的任务上显著超越 GPT-4o，推理时间与输出长度成正比增加。
• o1（2024-12-05）：推理系列正式版，较 preview 版本在速度、准确率和多语言支持上均有提升。
• o3-mini（2025-01-31）：推理加速模型，提供三档推理强度（low/medium/high），在成本与精度之间提供更灵活的调节空间。
• o4-mini（2025-04-11）：推理能力进一步提升，数学和编程基准达到新高度，同时保持较低的延迟和成本。

其他模型分支

• DALL-E 3（2023-10）：文生图模型，支持 1024x1024、1792x1024 等分辨率，目前通过 Images API 提供。
• Whisper（2022-09）：开源语音识别模型，API 版本持续更新，支持 99+ 语言，多语种混合场景下的识别率仍在持续优化。
• TTS（2023-11）：文本到语音 API，提供 6 种预置音色，支持标准与 HD 两种质量等级。
• Embeddings（2022-12）：text-embedding-3-small/large 系列，2024 年 1 月发布，支持 256-3072 维度的灵活输出，是 RAG 语义检索的事实标杆模型。

模型折旧机制：OpenAI 会定期发布模型停用（deprecation）时间表，旧版模型通常在新版本发布后 3-6 个月进入"即将弃用"状态。这对生产系统意味着：API 响应中 model 字段会随时变化，企业应用应避免对模型名称做硬编码判断，改为通过 API 返回的响应头或只读字段确认模型版本。

OpenAI API 的技术优势

OpenAI API 的技术壁垒不仅体现在模型能力本身，更体现在覆盖训练、推理、部署全链路的系统工程优化上。

训练基础设施的规模效应：OpenAI 与微软合作构建了当前全球最大的 AI 训练集群，数十万张 GPU 的算力池使其能够在大规模参数空间中进行充分的架构搜索和超参调优。训练 GPT-4 类模型的单次训练成本早期估算在数千万到上亿美元级别，这种算力投入构成了后来者难以跨越的固定成本门槛。

推理优化的多层次策略：OpenAI 在推理层面采用分段 KV 缓存、动态批处理（Dynamic Batching）、推测性解码（Speculative Decoding）等多种技术组合。具体表现：GPT-4o-mini 的单 token 推理延迟可以压缩到 10ms 以内，而旗舰模型在长上下文场景下通过稀疏注意力机制避免全量计算。工程上的直接效果是——用户支付的单次 API 调用价格中，约 60-70% 用于覆盖推理算力成本，其余覆盖训练摊销和运营费用，而非"品牌溢价"。

多模态融合架构的统一性：与早期分别处理文本、图像、语音的"外部对齐"方案不同，GPT-4o 采用端到端的原生多模态架构，所有模态在同一 Transformer 主干中并行处理。这使得跨模态信息（如图表中的文字、语音中的语气）可以在模型内部直接交互，无需外部对齐步骤。这解释了为什么 GPT-4o 在"看图说话"和"理解图表"任务上表现优于"图像编码器 + 文本模型"的拼接式方案。

API 基础设施的成熟度：OpenAI API 提供全球分布式的推理节点、自动容错、即时的用度监控（Dashboard + Usage API）和详细的 token 级账单。Tier 5（最高级别）账户可获得超过 20000 RPM 的并发上限。这与多数竞品仍处于"API 稳定性需要持续监控"的阶段形成对比。对于生产级应用，这种基础设施的成熟度直接转化为更低的运维成本和更少的意外中断。

如何使用 OpenAI API

OpenAI API 的使用入口包括官方 Dashboard、API 直接调用以及 Azure OpenAI Service 企业通道。

使用方式	适合人群	特点	费用
API 直接调用	开发者与企业	通过 api.openai.com 访问，标准 RESTful 接口	按 token 按量付费
Azure OpenAI Service	企业客户	通过 Azure 云平台接入，支持专用实例和 VPC	按用量 + 预留实例计费
OpenAI Playground	原型验证	Web 交互界面，可视化调参	需绑定付费账户
ChatGPT 桌面/移动端	个人用户	非 API 方式，但共享模型能力	订阅制 $20-$200/月

API 快速入门示例：OpenAI API 采用 HTTP 协议，以下是 Python 调用 GPT-4o 的标准示例（使用官方 openai Python SDK）：

from openai import OpenAI

client = OpenAI(
    api_key="<YOUR_API_KEY>",
    # base_url 默认指向 https://api.openai.com/v1
)

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "developer", "content": "你是专业的 Python 代码审查助手。"},
        {"role": "user", "content": "请审查以下 Python 代码，指出潜在的性能问题和安全漏洞。"}
    ],
    temperature=0.3,
    max_tokens=4096,
    stream=False,
    response_format={"type": "text"}
)

print(response.choices[0].message.content)

API Key 获取流程：访问 platform.openai.com → 注册/登录账户 → 左侧菜单选择 "API Keys" → 创建新的 Secret Key → 复制并安全存储（关闭弹窗后无法再次查看完整 Key）。安全提醒：API Key 应作为有境变量存储，切勿在代码仓库中硬编码；建议为不同应用创建独立的 Key，并设置用量限额（Usage Limits）以防止意外超支。

REST API 直接调用（Curl）：

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [{"role": "user", "content": "介绍 OpenAI API 的核心优势"}],
    "temperature": 0.7,
    "max_tokens": 1024
  }'

关键参数实践：temperature（0-2.0）控制随机性，代码类任务建议 0.1-0.3，创意写作建议 0.7-0.9；max_tokens 限制最大输出长度，设置后即使未输出完也会停止；stream=true 启用 SSE 流式输出，显著降低首字感知延迟；response_format={"type": "json_object"} 强制 JSON 格式输出（需在 system prompt 中要求输出 JSON）。完整参数列表参考 OpenAI 官方 API 文档。

产品定价

OpenAI API 的计费模型统一为"按 token 按量付费 + 分层折扣"，无固定月费。前文成本优势章节已给出各模型单价明细，此处聚焦三层成本结构的评估框架与实操建议。

C 端/个人开发者：注册时获赠初始额度（当前通常为 $5-18，以官方实时政策为准）。免费额度用尽后自动切换为按量付费 Pay-as-you-go 模式，不会中断服务。对于个人学习、原型验证和低流量应用，月花费通常在 $0-50 区间。需要注意：免费层频控严格（Tier 1 约 3-20 RPM），不适用于任何形式的线上生产有境。

开发者/API 调用层：用量达到一定阈值后自动获得频控升级。Tier 等级由累计消费金额决定——$5 升 Tier 2（~200 RPM），$50 升 Tier 3（~500 RPM），$250 升 Tier 4（~2000 RPM），$1000 升 Tier 5（~20000 RPM）。此外提供 Batch API（约 50% 折扣）和 Provisioned Throughput（预留吞吐量）两种优化成本的方式。Batch 适合大规模非实时任务，预留吞吐适合对延迟和并发有稳定要求的准生产有境。

企业/私有化：OpenAI 不提供模型自托管，企业可选择 Azure OpenAI Service 或 OpenAI Enterprise Plan。企业版本的核心卖点包括：数据不用于模型训练（Data Privacy）、直接费用可控的专用实例（Provisioned Throughput Units）、合规认证（SOC 2、ISO 27001、HIPAA 等）、VPC 私有网络隔离和专属商务支持。企业定价需联系销售团队获取报价，年消费承诺通常以 $10 万为起点。隐性成本：模型版本折旧风险（旧版模型需迁移至新版），企业需将模型版本升级预算纳入年度技术规划。

应用场景

OpenAI API 的落地场景横跨内容生产、软件开发、客户服务和行业自动化四大领域，以下四类场景经过规模化验证：

• 内容生成与编辑：多语言文章撰写、批量产品描述生成、营销文案 A/B 测试、社媒内容排期的草稿生成。以跨境电商场景为例，GPT-4o 可根据商品参数自动生成长达 1000 字的描述文案（覆盖英文、中文、日文等多语种），人工仅需审核和微调，单人每日产出量从 20 篇提升到 80-120 篇。落地提示：对品牌语调一致性要求高的场景，建议先用 Fine-tuning 微调模型，输出质量和大规模下的稳定性均可得到显著提升。

• 代码生成与研发提效：代码补全与生成（通过 API 集成的 IDE 插件或 CI/CD 流程）、单元测试自动生成、代码审查辅助SQL 查询生成、漏洞扫描辅助。推演：初级开发者在 AI 辅助下，简单 CRUD 功能的编码时间从 30-60 分钟缩短到 5-15 分钟，测试覆盖率从 40% 提升至 70% 以上。但架构设计、安全审计等需要全局视角的判断仍依赖人工，模型可能忽略非功能性需求（性能边界、容错设计）和跨模块的业务一致性问题。

• 智能客服与对话系统：基于 Assistants API 或 Chat Completions 构建的多轮对话客服系统，支持知识库检索（通过 File Search 工具）和动态意图识别。量化参考：以电商客服场景为例，GPT-4o-mini 可自动处理约 70-80% 的标准咨询（发货查询、退换货政策、支付问题），剩余 20-30% 的复杂异常（纠纷调解、需人工判断的售后）转接人工，客服响应时间从平均 15 分钟缩短到 1 分钟以内，但机器人转人工的"交接体验"（对话历史传递的完整性、用户重复描述的疲劳感）仍是体验短板。

• 信息抽取与数据分析：从非结构化文档中提取结构化信息——合同关键条款、发票字段、简历筛选、市场调研报告的定量数据提取。Batch API 模式下，可在数小时内处理百万级文档。能力边界：对于扫描件中的手写体、非标准表格布局（合并单元格、无框表格）和强领域术语密集的 PDF，准确率会下降 15-30%，建议配合 OCR 预处理和领域词表注入。

与竞品的适配边界：OpenAI API 在通用任务的"平均体验"上最均衡——大多数任务只需单一模型即可获得 80 分的结果，无需多模型拼接。但在以下场景中需要慎重评估：对输出成本极度敏感的纯文本高并发场景（DeepSeek 等竞品价格低 10-100 倍）；需要开源自托管以满足数据主权的场景（无开源模型可用）；对实时对话延迟要求严苛的场景（自身竞品存在区域加速节点差异）。

适用人群

OpenAI API 的适用人群远超 AI 开发者，它通过模型分层和 SDK 覆盖，已渗透到不同技术背景和行业角色的日常工作流中：

• AI 应用开发者与独立创业者：这是 OpenAI API 最核心的用户群体。通过 API 将 LLM 能力嵌入产品——从简单的 Chatbot 到复杂的多 Agent 协同系统。GPT-4o-mini 的低成本使得 MVP 验证的 API 成本可以控制在每月 50 美元以内。不适配边界：如果你的产品在数据隐私合规上有地域性限制（例如欧盟 GDPR 下要求数据不出境），或需要低于 100ms 的端到端延迟（实时游戏 NPC 对话），Azure OpenAI Service 或自托管开源方案可能更合适。

• 产品经理与运营人员：通过 Playground 或 API 接口批量化生成文案A/B 测试话术、竞品分析摘要、用户反馈分类。GPT-4o 的结构化输出能力使得运营人员可以绕过工程团队，直接通过预设模板批量处理数据。使用前提：需要掌握基础的 API 调用概念（Token、Prompt、Temperature），无需掌握编程语言即可通过 Playground 界面完成调参和测试。

• 数据科学家与分析师：将 LLM 作为数据预处理和信息提取的管道工具。典型工作流：用 GPT-4o-mini 做 NER 实体提取→用 Embeddings API 做语义聚类→用 GPT-4o 生成分析报告摘要。不适配边界：OpenAI API 不适用于需要确定性的统计分析场景——LLM 的输出本质上具有概率性，对于"精确统计数字"的可靠性要求极高的工作（财报审计数据提取）应结合传统规则引擎双重验证。

• 企业与中大型组织：通过 Azure OpenAI Service 或 Enterprise Plan 将 LLM 能力嵌入核心业务系统。典型场景：客服知识库智能化、内部知识检索（RAG）、合同审计辅助、代码仓库安全扫描。采购前提：企业应具备基本的 AI 素养团队（能区分"LLM 能做什么 vs 不能做什么"），并建立模型输出质量的定期抽检机制。采购前需核验：Azure 部署区域与数据驻地是否匹配、商用合同中关于模型版本折旧的通知窗口周期Provisioned Throughput 的扩容条件与费用。

总结与展望

OpenAI API 的行业位置可以用一句话概括：它是大模型商业化的"定义者"，也是几乎所有 AI 应用开发者在选型初期的默认选项。其核心竞争力不单在模型本身，更在于全年无休的基础设施可靠性、覆盖全球的推理节点和几乎无死角的 SDK 生态。

当前的核心优势：模型能力均衡且持续迭代（旗舰与经济和推理型号形成完整覆盖）；API 基础设施的成熟度和稳定性仍属行业标杆；开发者生态最完善，SDK、文档、社区三方支持形成低学习门槛的正循有；Function Calling 和 Structured Outputs 构建的"确定性"能力在生产和业务集成场景中具有实际价值。

当前的主要限制：API 成本在纯文本高并发场景下已无竞争力（来自 DeepSeek、Gemini 的价格冲击）；不开源模型限制了数据主权敏感行业的采用（金融、政务等需要私有化部署的场景）；模型版本折旧机制给生产系统带来持续的迁移压力；对 API 供应商的单一依赖存在业务连续性风险（服务中断、价格调整、政策变更）。

采购与采用风险评估：对于个人开发者和初创团队，OpenAI API 的试用门槛极低（初始赠金 + 按量付费），是最低风险的 AI 能力接入方式，适合作为产品验证周期的首选模型供应商。但对于追求极致成本效率的高频应用，建议构建多供应商路由层（例如通过 LiteLLM、OpenRouter 等网关实现模型切换），以便在不同任务上选用性价比最优的模型。对于企业客户，建议将 OpenAI API 定位为"高质量主力模型供应商"，同时储备一个开源模型（如 DeepSeek）的私有化部署方案作为数据主权合规的第二路径。签署企业合同时需重点关注：模型版本折旧的过渡期时长、数据不出境的承诺边界（Azure 区域选择 + 数据传输路径）、以及服务中断的 SLA 赔偿条款。长远来看，OpenAI API 在"旗舰质量"上的护城河正在被追赶，但在"最成熟的开发者体验"和"最完整的多模态能力矩阵"两个维度上，短期内仍难有替代者。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

• 公测版本 ：公开可访问版本，功能更新以官网为准。 （2026-07-14）
• 早期版本 ：早期试运行版本。 （2026-07-14）