而严谨的测试，当然是按照系统和软件的规范，然后交给小沙操作了：
“小沙，测试一下，各种场景，仅使用全量模型的小沙，和使用层级分配模型的小沙，效率和资源利用相差多少。”
一句话里边有三个小沙，别说小沙了，就算一般人去分辨哪个小沙是哪个小沙，也得迷瞪一会儿。
而小沙，则是迅速的理解了郝成要做的工作，然后去执行了。
各个模式与场景，昨天整理分类的时候就已经确定了，这个时候小沙兵分多路，开了N多个分身，以确保测试的时候每个环节和流程都不会错过。
就这样，也就过了约莫半个小时的功夫，小沙完成了所有的测试，生成的最终报告就已经到了郝成的设备上：
仅仅就软件开发能力这一项而言，使用软件开发专业能力小模型，同样的效果，资源消耗比起使用小沙全量模型几乎节省了95%。
当然了，高级标称语言规律性极强且逻辑清晰、规则明确，代码类AI本就是最简单的类型，它能节省较多的资源也是在郝成预料之中的。
与其类似的，还有像网络安全、调用元素级应用、AI使用应用等这些AI与机器的交互，中间不涉及人的，资源节省比例都非常大，大都在百分之七八十以上。
比较复杂的当然是人，哪怕是语言模型，仅仅只是对话，消耗的资源就比较多。
但哪怕如此，人机交互、包括对话理解、场景模拟、复杂工作等所有的项目，进行分拆和分级后，比之前全部使用全量模型也是节省的。
比如，模拟法庭的场景，小沙需要识别原告被告法官以及现场所有的人、还要分析案件，这类场景够复杂了，但层级处理的小沙依然能够节省15%左右的资源消耗。
且效果丝毫不差——有全量模型最后对结果进行兜底验证，根本就无需担心这个。
结合小沙现在对外服务的情况综合分析，小沙给出的综合资源节约比例大约在55%左右。
而更具体的数字，需要运行一段时间才能评估。
甚至评估更精准了以后，相关的模型还可以再根据需求做进一步的优化和调整。
仅此一项操作，同样是现有的这些资源，小沙至少能扩大两倍甚至三倍以上的用户。
“以为买不到卡就能限制小沙的扩张？就能守住欧洲的市场？呵呵！”
郝成摇了摇头，无论任何人，被人限制那都是不爽的，郝成当然也不
…。。