Phi-4-mini vs o1-mini：どちらがより良いSLMですか？

AIモデルの進化は、特に小言語モデル（SLM）で新しい高みに達しました。ここでは、効率とパフォーマンスが重要です。最新の候補者の中で、PHI-4-MINIとO1-MINIは高度で効率的なモデルとして際立っています。この記事では、PHI-4 Mini vs O1-Mini比較を行い、STEMアプリケーションとコーディングタスクのユーザーエクスペリエンス、速度、パフォーマンスを確認します。プログラミング、デバッグ、および全体的な効率の強みを評価して、どのモデルがパフォーマンスを向上させるかを確認します。最後に、モデルがニーズに合わせていることについて明確な視点があります。

目次

• Phi-4-miniとは何ですか？
• O1-MINIとは何ですか？
• モデル比較：PHI-4-MINI vs O1-Mini
• 推論パフォーマンスの評価
  • PHI-4-MINIおよびO1-MINI対大きなモデル
• PHI-4-MINI VS O1-MINI：推論とコーディング機能
  • タスク1：建物の秩序関係の分析
  • タスク2：数学の論理的推論
  • タスク3：最長のサブストリングを見つける
  • 全体的な比較分析
• 結論
• よくある質問

Phi-4-miniとは何ですか？

PHI-4-MINIは、高性能の推論とコーディングタスクのために設計された最先端のSLMです。効率と精度のバランスを取り、AI駆動型アプリケーションで強力な競争相手になります。このモデルは、計算上効率的である間、高精度のテキスト生成と複雑な推論タスクのために設計されており、エッジコンピューティング環境に適しています

アーキテクチャの概要

PHI-4-MINIは、38億パラメーターと128Kトークンコンテキストウィンドウを備えた密なデコーダーのみの変圧器モデルです。 200,064トークンの語彙サイズをサポートし、グループ化されたクエリ注意（GQA）を組み込んで、高性能を維持しながらリソース効率を最適化します。

グループ化されたクエリ注意（GQA）は、クエリヘッドをグループ化し、キー/バリューヘッドを共有し、言語モデルの推論速度を改善することにより、マルチクエリ注意（MQA）の品質（MQA）の品質（MQA）の品質のバランスをとる効率的な注意メカニズムです。

重要な機能

• 共有入力埋め込み：入力と出力の両方の埋め込みを再利用することにより、メモリオーバーヘッドを削減します。
• トレーニングデータ：高品質の教育資料、コーディングの例、合成データを推論に合わせて調整する合成データを含む5兆個のトークンでトレーニングされています。
• パフォーマンス：関数呼び出しを介して外部APIを統合する機能を備えた、推論、数学、コーディング、および命令のフォローに優れています。

また、読む：PHI-4対GPT-4O-MINI対決

O1-MINIとは何ですか？

O1-MINIは、手頃な価格とパフォーマンスのバランスをとることを目的とした軽量で費用効率の高いSLMです。一般的なAIアプリケーションの合理的なレベルの精度を維持しながら、効率的な処理を優先します。

アーキテクチャの概要

O1-MINIは、PHI-4-MINI（正確なサイズは非公開）よりもパラメーターが少ない標準的な変圧器アーキテクチャに従います。また、128Kトークンのコンテキストウィンドウもサポートしていますが、GQAのようなアーキテクチャの最適化ではなく、費用対効果の高い処理に焦点を当てています。

また読む：OpenaiのO1-Preview vs O1-Mini：AGIへの一歩

モデル比較：PHI-4-MINI vs O1-Mini

PHI-4-MINIは、推論、数学、コーディングなどのタスク向けに設計された強力なモデルであり、O1-MINIは費用対効果の高いコーディングに焦点を当てたよりシンプルな設計に従います。以下の表は、それらの重要な違いを強調しています。

特徴	Phi-4-mini	o1-mini
アーキテクチャタイプ	密なデコーダーのみの変圧器	標準トランス（詳細限定）
パラメーター	38億	指定されていない（一般的に小さい）
コンテキストウィンドウ	128Kトークン	128Kトークン
注意メカニズム	グループ化されたクエリ注意（GQA）	明示的に詳細ではありません
共有埋め込み	はい	指定されていない
トレーニングデータボリューム	5兆個のトークン	指定されていない
パフォーマンスフォーカス	推論、数学、コーディングの高精度	タスクのコーディングに費用対効果が高い
展開の適合性	エッジコンピューティング環境	一般的な使用ですが、堅牢性が低くなります

PHI-4-MINIは、GQAや共有埋め込みなどの高度な機能で際立っており、推論、コーディング、API統合において優れています。対照的に、O1-MINIはコーディングに最適化されたより軽量で費用対効果の高い代替品ですが、PHI-4-MINIで見られる建築の改良がありません。 2つの間で選択することは、優先度が高精度であり、特定のタスクの手頃な価格と効率性が推論されるかどうかによって異なります。

推論パフォーマンスの評価

このセクションでは、PHI-4-MINIおよびO3-MINIモデルがより大きなモデルと比較して推論でどのように機能するかについて説明します。それは、彼らが複雑な問題をどれだけうまく解決し、論理的な結論を出すかに焦点を当てており、より小さなモデルと大規模なモデル間の精度、効率、明確さの違いを強調しています。

PHI-4-MINIおよびO1-MINI対大きなモデル

推論が強化されたPHI-4-MINIおよびO1-MINIの推論機能は、AIME 2024、Math-500、GPQAダイヤモンドなど、複数のベンチマークで評価されました。これらのベンチマークは、高度な数学的推論と一般的な問題解決スキルを評価し、DeepSeek、Bespoke、およびOpenthinkerのいくつかのより大きなモデルとの比較の基礎を提供します。

モデル	エイメ	Math-500	GPQAダイヤモンド
o1-mini*	63.6	90.0	60.0
deepseek-r1-distill-qwen-7b	53.3	91.4	49.5
deepseek-r1-distill-lama-8b	43.3	86.9	47.3
Bespoked-Stratos-7b*	20.0	82.0	37.8
openthinker-7b*	31.3	83.0	42.4
llama-3-2-3b-instruct	6.7	44.4	25.3
Phi-4-mini	10.0	71.8	36.9
PHI-4-MINI（訓練された推論）（3.8b）	50.0	90.4	49.0

出典：Huggingface

38億個のパラメーターしかないにもかかわらず、推論訓練を受けたPhi-4-miniは、次のようなより大きなモデルを上回る強力なパフォーマンスを示しています。

• deepseek-r1-distill-llama-8b（8bパラメーター）
• オーダーメイドストラトス-7b（7bパラメーター）
• openthinker-7b（7bパラメーター）

さらに、大幅に大きな7BモデルであるDeepSeek-R1-Distill-Qwen-7Bに匹敵するパフォーマンスを実現し、その効率をさらに強調しています。ただし、O1-MINIは、非公開のパラメーターサイズにもかかわらず、いくつかのベンチマークにつながり、AI推論タスクの強力な候補となっています。

ベンチマーク比較

提供された画像に示されているように、両方のモデルのパフォーマンスは、より大きなモデルに対する競争力を強調しています。

• AIMEベンチマーク：
  • O1-MINIは63.6を獲得し、すべてのモデルの中で最高です。
  • PHI-4-MINI（Reasoning Trained）は50.0を獲得し、その基本バージョン（10.0）よりも5倍の改善です。
• Math-500ベンチマーク：
  • PHI-4-MINI（90.4）はO1-MINI（90.0）をわずかに上回り、複雑な数学的推論タスクに非常に効果的です。
• GPQAダイヤモンド：
  • O1-MINIは60.0でリードし、優れた一般的な問題解決機能を紹介します。
  • PHI-4-MINI（49.0）は、いくつかの7Bおよび8Bモデルよりも優れており、推論タスクの効率を証明しています。

これらの結果は、O1-MINIが一般的な問題解決と推論で支配する一方、PHI-4-MINI（推論訓練）がサイズが小さいにもかかわらず数学ベンチマークに優れていることを示しています（3.8Bパラメーター）。どちらのモデルも並外れた効率性を示しており、重要なAIベンチマーク全体で挑戦的であり、さらに大きなモデルを上回ることがあります。

PHI-4-MINI VS O1-MINI：推論とコーディング機能

次に、PHI-4-MINIとO1-MINIの推論とプログラミング機能を比較します。そのために、両方のモデルに同じプロンプトを提供し、応答を評価し、APIを使用してモデルをロードします。この比較で試してみるタスクは次のとおりです。

1. 建物の秩序関係の分析
2. 数学の論理的推論
3. 最長のサブストリングを見つける

タスク1：建物の秩序関係の分析

このタスクでは、モデルが与えられた制約に基づいて建物の相対的な位置を推定し、中央の建物を特定する必要があります。

プロンプト： 「V、W、X、Y、Zと呼ばれる5つの建物が連続しています（必ずしもその順序ではありません）。VはWの西にあり、Xの東にあり、Vの西にはYの西にあります。
オプション：
a）v
b）w
c）x
d）y」

O1-MINIへの入力

Openai Import Openaiから
インポート時間
Tiktokenをインポートします
iPython.displayインポートディスプレイ、マークダウン
open（ "path_to_api_key"）としてファイルとして：
   api_key = file.read（）。strip（）


task1_start_time = time.time（）
client = openai（api_key = api_key）
メッセージ= [
   {
       「役割」：「ユーザー」、
       "コンテンツ"： """
   V、W、X、Y、Zと呼ばれる5つの建物が連続してあります（必ずしもその順序ではありません）。
   vはWの西にあります。ZはXの東にあり、Vの西はYの西にあります。
   真ん中の建物はどれですか？
   オプション：
   a）v
   b）w
   c）x
   d）y
"" "
   }
]
client = client.chat.completions.create（
   Model = "O1-MINI-2024-09-12"、
   メッセージ=メッセージ
））
task1_end_time = time.time（）
＃結果を印刷します
print（compley.choices [0] .message）
print（ "--------------- =タスク1にかかる合計時間：---------------"、task1_end_time-task1_start_time）
＃結果を表示します
iPython.displayからマークダウンをインポートします
display（markdown（complete.choices [0] .message.content）））

O1-MINIによる応答

Phi 4-miniへの入力

トランスからインポートパイプラインから
インポート時間
iPython.displayインポートディスプレイ、マークダウン


TransformersからImport Automodelforcausallm、bitsandbytesconfig
Quantization_config = bitsandbytesconfig（load_in_8bit = true）


＃モデルを直接読み込みます
変圧器から、AutoTokenizer、Automodelforcausallmから
tokenizer = autotokenizer.from_pretrained（ "microsoft/phi-4-mini-intruct"、trust_remote_code = true）
Model = automodelforcausallm.from_pretrained（ "microsoft/phi-4-mini-instruct"、trust_remote_code = true、Quantization_config = Quantization_config） 


task1_start_time = time.time（）
メッセージ= [
   {「役割」：「システム」、「コンテンツ」：「あなたは数値的および一般的な推論の質問を解決する専門家です。 "}、
   {"role"： "user"、 "content"： "" "" V、W、X、Y、Zと呼ばれる5つの建物が連続しています（必ずしもその順序ではありません）。
   vはWの西にあります。ZはXの東にあり、Vの西はYの西にあります。YはYの西にあります。オプション：
a）v
b）w
c）x
d）y "" "}、
]


パイプ=パイプライン（
   「テキストジェネレーション」、
   モデル=モデル、
   トークンザー=トークネザー、
））
Generation_Args = {
   「max_new_tokens」：1024、
   「return_full_text」：false、
   「温度」：0.0、
   「do_sample」：false、
}
output = pipe（messages、** generation_args）＃、
task1_end_time = time.time（）
print（ "--------------- =タスク1にかかる合計時間：---------------"、task1_end_time-task1_start_time）
display（markdown（（output [0] ['generated_text']）））
Pipe = Pipeline（ "Text-Generation"、Model = "Microsoft/Phi-4-Mini-Instruct"、trust_remote_code = true）
パイプ（メッセージ）

Phi 4-miniによる応答

比較分析

O1-MINIは、このタスクの速度と精度の両方でPHI-4-miniよりも優れています。 O1-Miniは、ほんの数ステップで正しい答え（「V」）をすぐに理解しますが、Phi-4-Miniは各詳細を段階的に通過するため、はるかに時間がかかります。そのすべての努力があっても、Phi-4-Miniはまだ間違った答え（「Z」）を受け取ります。これは選択肢の1つでさえありません。これは、PHI-4-MINIが単純な論理問題に苦しんでいる一方で、O1-MINIがそれらを迅速かつ正確に処理することを示しています。 Phi-4-miniの詳細な考え方は、より困難な問題に役立つかもしれませんが、この場合、それは遅延と間違いを引き起こしただけです。

タスク2：数学の論理的推論

このタスクでは、モデルが特定の数字シーケンスのパターンを認識し、欠落している数値を特定する必要があります。

プロンプト： 「次のシリーズで疑問符（？）を置き換えることができる特定のオプションの中から数字を選択します：16、33、100、401、？
オプション：a）1235
b）804
c）1588
d）2006″

O1-MINIへの入力

tash2_start_time = time.time（）

client = openai（api_key = api_key）

メッセージ= [
   {
       「役割」：「ユーザー」、
       "content"： "" "次のシリーズで疑問符（？）を置き換えることができる特定のオプションの中から番号を選択します。16、33、100、401、？
       a）1235
       b）804
       c）1588
       d）2006 "" "
   }
]


＃互換性のあるエンコードを使用します（CL100K_BASEは新しいOpenAIモデルに最適なオプションです）
encoding = tiktoken.get_encoding（ "cl100k_base"）


＃トークンカウントを計算します
input_tokens = sum（len（encoding.encode（msg ["content"]））メッセージのmsg）
client = client.chat.completions.create（
   Model = "O1-MINI-2024-09-12"、
   メッセージ=メッセージ
））
output_tokens = len（encoding.encode（complete.choices [0] .message.content）））


task2_end_time = time.time（）
＃結果を印刷します
print（compley.choices [0] .message）
print（ "--------------- =タスク2で撮影された合計時間：---------------"、task2_end_time-task2_start_time）
＃結果を表示します
iPython.displayからマークダウンをインポートします
display（markdown（complete.choices [0] .message.content）））

O1-MINIによる応答

Phi 4-miniへの入力

tash2_start_time = time.time（）
メッセージ= [
   {「役割」：「システム」、「コンテンツ」：「あなたは数値的および一般的な推論の質問を解決する専門家です。 "}、
   {「役割」：「ユーザー」、「コンテンツ」： "" "指定されたオプションの中から番号を選択
   次のシリーズで疑問符（？）を置き換えることができます。16、33、100、401、？
a）1235
b）804
c）1588
d）2006 "" "}、
]
パイプ=パイプライン（
   「テキストジェネレーション」、
   モデル=モデル、
   トークンザー=トークネザー、
））
Generation_Args = {
   「max_new_tokens」：1024、
   「return_full_text」：false、
   「温度」：0.0、
   「do_sample」：false、
}
output = pipe（messages、** generation_args）＃、
task2_end_time = time.time（）
print（ "--------------- =タスク2で撮影された合計時間：---------------"、task2_end_time-task2_start_time）
display（markdown（（output [0] ['generated_text']）））

Phi 4-miniによる応答

比較分析

O1-MINIは、この数字パターンタスクの速度と精度の両方でPHI-4-MINIよりも優れたパフォーマンスを発揮しました。 O1-Miniはパターンをすぐに認識し、わずか10.77秒で2006年を正しく選択しました。一方、Phi-4-miniはずっと長く（50.25秒）、それでも間違った答えが得られました（120）。一方、O1-MINIは明確で直接的なアプローチに従い、問題を正しく効率的に解決しました。これは、O1-MINIが数のパターンを迅速に見つけるのが優れているのに対し、Phi-4-miniは単純な問題を過度に複雑にし、間違いや遅延につながる傾向があることを示しています。

タスク3：最長のサブストリングを見つける

この問題は、繰り返しの文字を含まない特定の文字列内の最長のサブストリングの長さを見つけるように求められます。たとえば、文字列「ABCABCBB」では、文字を繰り返すことなく最長のサブストリングは「ABC」であり、その長さは3です。

プロンプト： 「文字列sを与えられた場合、文字を繰り返すことなく、最長のサブストリングの長さを見つけます。
文字を繰り返すことなく、最も長いサブストリングの長さを返す関数の長さの長さ（s：str） - > intを書きます。」

O1-MINIへの入力

task3_start_time = time.time（）
client = openai（api_key = api_key）
メッセージ= [
   {
       「役割」：「ユーザー」、
       "コンテンツ"： """
文字列sが与えられた場合、文字を繰り返すことなく、最長のサブストリングの長さを見つけます。


文字を繰り返すことなく、最も長いサブストリングの長さを返す関数の長さの長さの長さ（s：str） - > intを書き込みます。
"" "
   }
]
＃互換性のあるエンコードを使用します（CL100K_BASEは新しいOpenAIモデルに最適なオプションです）
encoding = tiktoken.get_encoding（ "cl100k_base"）
＃トークンカウントを計算します
input_tokens = sum（len（encoding.encode（msg ["content"]））メッセージのmsg）
client = client.chat.completions.create（
   Model = "O1-MINI-2024-09-12"、
   メッセージ=メッセージ
））
output_tokens = len（encoding.encode（complete.choices [0] .message.content）））
task3_end_time = time.time（）
＃結果を印刷します
print（compley.choices [0] .message）
print（ "--------------- =タスク3：---------------"、task3_end_time-task3_start_time）の合計時間
＃結果を表示します
iPython.displayからマークダウンをインポートします
display（markdown（complete.choices [0] .message.content）））

O1-MINIによる応答

def lengthoflongestsubstring（s：str） - > int：
   "" "
   文字列で文字を繰り返すことなく、最長のサブストリングの長さを返します。


   パラメーター：
   s（str）：入力文字列。


   返品：
   INT：文字を繰り返すことなく、最長のサブストリングの長さ。
   "" "
   ＃各文字の最後の位置を保存する辞書。
   char_map = {}
   ＃ウィンドウの左ポインターを初期化します。
   左= 0
   ＃最大長を初期化します。
   max_length = 0


   ＃右のポインターで文字列を反復します。
   右のために、列挙のchar（s）：
       ＃文字がchar_mapで見つかり、その最後の位置が> =左のポインターである場合、
       ＃左のポインターを最後の発生の右に移動して、重複を避けます。
       char_mapとchar_map [char]> =左のchar
           左= char_map [char] 1


       ＃文字の最新インデックスを更新/挿入します。
       char_map [char] =右


       ＃現在のウィンドウの長さを計算し、必要に応じてmax_lengthを更新します。
       current_window_length =右 - 左1
       current_window_length> max_length：
           max_length = current_window_length


       ＃内部状態を追跡するためのデバッグステートメント（生産で削除できます）
       ＃print（f "current character：{char}、左：{左}、右：{右}、現在のウィンドウ： '{s [左：右1]}'、max length：{max_length}"）


   max_lengthを返します


＃例の使用法：
__name__ == "__main__"の場合：
   test_strings = [
       「abcabcbb」、
       「bbbbb」、
       「pwwkew」、
       ""、
       「A」、
       「DVDF」
   ]
   test_stringsのsの場合：
       print（f "{s} 'で文字を繰り返すことなく最長のサブストリングは長さ{lengthoflongestsubstring（s）}。"）です。

出力

Phi 4-miniへの入力

トランスからインポートパイプラインから
メッセージ= [
   {「役割」：「ユーザー」、
    "content"： "" "文字列sを指定して、文字を繰り返すことなく最長のサブストリングの長さを見つけます。
文字を繰り返すことなく、最も長いサブストリングの長さを返す関数の長さの長さの長さ（s：str） - > int。
]
Pipe = Pipeline（ "Text-Generation"、Model = "Microsoft/Phi-4-Mini-Instruct"、trust_remote_code = true）
パイプ（メッセージ）

Phi 4-miniによる応答

def lengthoflongestsubstring（s：str） - > int：
   char_index_map = {}
   左= 0
   max_length = 0
   範囲の正しい（len（s））：
       if s [right] in char_index_mapおよびchar_index_map [s [右]]> =左：
           左= char_index_map [s [右]] 1
       char_index_map [s [右]] =右
       max_length = max（max_length、右 - 左1）


   max_lengthを返します
print（「abcabcbb」で文字を繰り返すことのない最長のサブストリングは長さです "、lengthoflongestsubstring（" abcabcbb "）））））））））））
print（「bbbbb」で文字を繰り返すことのない最長のサブストリングは長さです "、lengthoflongestsubstring（" bbbbbb "）））））））

出力

比較分析

O1-MINIとPHI-4-MINIはどちらもスライディングウィンドウ方式を正しく使用しましたが、O1-MINIのコードはより整理され、理解しやすくなりました。明確な説明、コメント、テストケース、読みやすい変数名が含まれていました。 Phi-4-Miniの解決策は短かったが、説明と構造が不足していたため、より大きなプロジェクトでは従うのが難しくなっています。 O1-MINIもより速く、よりクリーンで読みやすいソリューションを生成しましたが、PHI-4-MINIはコードを簡単に保つことに集中しました。

全体的な比較分析

3つのタスクすべての全体的な比較分析は次のとおりです。

側面	タスク1（建築順序）	タスク2（番号シリーズの完了）	タスク3（最長の非繰り返しサブストリング）
正確さ	O1-miniは正しかったが、Phi-4-miniは誤った答えを与えた（「Z」、これは選択肢ではなかった）。	O1-Miniは2006年を正しく特定しましたが、Phi-4-Miniは間違った答えを得ました（120）。	どちらも正しいスライドウィンドウアプローチを実装しました。
応答速度	O1-miniは大幅に速かった。	O1-MINIははるかに速かった（10.77S対50.25S）。	O1-MINIは少し速く反応しました。
アプローチ	O1-Miniは迅速で論理的な控除を使用しましたが、Phi-4-Miniは不必要な措置を講じて間違いを犯しました。	O1-MINIは構造化された効率的なパターン認識方法に従いましたが、PHI-4-MINIはプロセスを過度に複製し、間違った結果を得ました。	O1-MINIは構造化された十分に文書化されたソリューションを提供し、PHI-4-MINIは簡潔ではあるが読みやすいアプローチを使用しました。
コーディングプラクティス	適用できない。	適用できない。	O1-MINIには、Docstring、コメント、テストケースが含まれており、理解して維持しやすくなりました。 Phi-4-miniは簡潔さに焦点を合わせましたが、ドキュメントがありませんでした。
ベストユースケース	O1-MINIは論理的な推論タスクに対してより信頼性が高く、PHI-4-MINIの段階的なアプローチは複雑な問題に適している可能性があります。	O1-miniは速度と精度で数パターン認識に優れていますが、Phi-4-miniの過剰分析は間違いにつながる可能性があります。	O1-MINIは構造化された保守可能なコードに適していますが、PHI-4-MINIは短い簡潔な実装に適しています。

結論

全体として、O1-MINIは構造化された推論、精度、およびコーディングベストプラクティスに優れており、複雑な問題解決と保守可能なコードにより適しています。 Phi-4-miniはより速くなりましたが、その探索的アプローチは、特に推論のタスクにおいて、時折非効率性または誤った結論につながりました。コーディングでは、O1-MINIは十分に文書化されて読みやすいソリューションを提供しましたが、PHI-4-MINIは明確な犠牲を払って簡潔に優先順位を付けました。速度が主な関心事である場合、PHI-4-MINIは確かな選択ですが、精度、明確さ、構造化された問題解決のために、O1-MINIはより良い選択肢として際立っています。

よくある質問

Q1。全体的により正確なモデルはどれですか？

A. O1-MINIは論理的推論タスクの精度が向上し、PHI-4-MINIはエラーにつながる探索的アプローチをとることがありました。

Q2。応答時間の方が速いモデルはどれですか？

A. PHI-4-MINIは一般に、より迅速な応答を提供しますが、正しいソリューションに到達する前に追加のステップが必要な場合があります。

Q3。構造化された問題解決に適したモデルはどれですか？

A. O1-MINIは、より構造化された論理的アプローチに従い、明確な推論と体系的なソリューションを必要とするタスクにより適しています。

Q4。数値認識タスクとパターン認識タスクに適したモデルはどれですか？

A.両方のモデルはシリーズの欠落数を正しく識別しましたが、Phi-4-miniはより速くなりましたが、O1-Miniはそのアプローチがより系統的でした。

Q5。どのモデルがより良いコーディングプラクティスに従っていますか？

A. O1-MINIは、適切に構造化され、文書化された、読みやすいコードを提供しますが、PHI-4-MINIは簡潔さに焦点を当てていますが、詳細な説明とテストケースがありません。

Q6。 Phi-4-miniでO1-miniをいつ使用する必要がありますか？

A.複雑な問題解決やソフトウェア開発など、構造化された推論、精度、およびコーディングの透明度が不可欠な場合は、O1-MINIを使用します。

以上がPhi-4-mini vs o1-mini：どちらがより良いSLMですか？の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。