Optimización de código utilizando matrices numpy. ¿Existe una mejor solución?

Estoy intentando optimizar una función que calcula: aexp(bx)+c

Probé tres métodos usando arreglos de numpy:

def model(a,b,c,x):
    return a*np.exp(b*x)+c

def myFoo1(modelParam,x):
    return([model(*i,x) for i in modelParam])

def myFoo2(modelParam,x):
    return([i[0]*np.exp(i[1]*x)+i[2] for i in modelParam])

def myFoo3(modelParam,x):
    return(np.exp(np.outer(modelParam[:,1],x))*modelParam[:,0][:,None]+modelParam[:,2][:,None])

Cuando se mide el tiempo de ejecución:

x=np.array(np.arange(0,100,0.1))
params=np.array([[10,0.1,2],[20,0.3,4],[30,0.2,6],[15,0.2,4],[16,0.5,7]])
%time myFoo1(params,x)
%time myFoo2(params,x)
%time myFoo3(params,x)

La salida es:

CPU times: user 3.58 ms, sys: 0 ns, total: 3.58 ms
Wall time: 2 ms
CPU times: user 855 µs, sys: 0 ns, total: 855 µs
Wall time: 703 µs
CPU times: user 690 µs, sys: 0 ns, total: 690 µs
Wall time: 564 µs

El primero era mi código original porque es el más fácil de programar. Pero, el tercero es 4 veces más rápido. ¿Puedo mejorarlo nuevamente?

Y con %timeit (pregunta editada según la sugerencia en el comentario):

211 µs ± 663 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
199 µs ± 199 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
164 µs ± 56.1 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)