主要观点我们将“1+传蝶”的研究柜架体系定义为“通用大模型”+“行业小样本”的技术架构，“A+传蝶”在应用层表现效力优劣的关键取决于通用大模型对垂直应用的适配程度及选代速度，1、适配程度是指：多模态的输入及输出是否匹配应用层的输入及输出。比如GPT-4属于“图+文”多模态输入+“文”单模态输出，因此输入模态为“图或文”且输出模态为“文”的垂直应用更适配GPT-4。2、选代速度是指：应用层产生的“行业小样本”的数据量是否匹配大模型的选代要求。根据我们对GPT模型的理解，比如BigAl产生的“行业小样本”源自Big的搜索结果，ChatGPT,产生的“行业小样本”源自用户的反馈和互动。因此我们认为，对于超出GPT所使用的预训练数据库范围(2021年9月前)的事实性表述，Bing Al,反馈的是搜索的结果，ChatGPT反馈的是用户主动的观点，Bing Al.反馈的效果比ChatGPT更好。我们认为“行业小样本”的价值取决于数据数量及数据质量，数量大且质量高（多模态）的应用场景复用及选代A1能力的效力更强，因此更进一步理解我们的研究框架，我们将“行业小样本”的结构分层（中层小模型+下层应用及内容），并将“行业小样本”的结合方式分美（调用+训练）：1、“行业小样本”的数据集来自小模型或应用及内容：AI产业链包括上层大模型、中层小模型、下层应用及内容，包括应用及内容直接接入大模型或通过小模型接入大模型两种方式，即“大模型+应用及内容”或“大模型+小模型+应用或内容”，其中具备特定功能的AIGC软件产品及MaaS我们理解为“小模型”+“应用”的技术范式，本身具备较高质量的AI能力，若接入匹配的多模态大模型，有望实现能力上的质变突破。