前言-OpenAI最强模型来了！

OpenAI今年憋的最大招终于出来了，就在9月13日凌晨1点，在无任何预告的情况下“草莓”模型重磅发布。

在多个基准测试中力压群雄，直接超过了人类博士水平！但其实正式版名称不叫草莓，草莓只是内部的一个代号。

他们的正式名字，叫：OpenAI o1

这次o1模型的问世，甚至让OpenAI破天荒地抛弃了以往GPT系列的命名，开创了全新的"o系列"。

实力！简直强无敌！

作为OpenAI开创的新系列模型，o1究竟强在哪？

它在竞赛编程问题（Codeforces）中排名前89%；在美国奥数竞赛预选赛（AIME），位列前500名学生之列。

最重要的是，它在物理、生物、化学问题的基准测试中（GPQA），超过了人类博士水平。

02-轻松

干翻物理博士

超越奥赛冠军

编程能力8倍秒杀GPT-4o

OpenAI o1模型被训练得更像人类一样，加注重思考时间，在做出回答前会先进行深入的思考，生成一条长而复杂的内部推理链。

目前，作为早期预览版本，OpenAI o1仅支持文本对话功能，尚未具备多模态功能，如浏览网页、上传文件或图片。

在性能表现方面，OpenAI o1在物理、化学和生物学等领域的基准测试中表现堪比博士生，在数学和编程任务上表现更为出色。

▲OpenAI o1在数学、编程上的测评基准

在推理常用的MATH、GSM8K等基准测试上，o1和最近很多的前沿模型已经达到了饱和表现，很难有区分度，因此OpenAI主要选择了AIME评估模型的数学和推理能力，以及其他人类考试和基准测试。

AIME旨在挑战美国最优秀的高中学生的数学能力，在2024年的AIME考试中，GPT-4o平均仅解决了12%（1.8/15）的题目。

o1的提升相当显著，平均解决了74%（11.1/15）的题目，在64个样本中进行多数投票时达到了83%（12.5/15）。

如果使用打分函数并重新排序1000个样本，准确率甚至达到了93%（13.9/15）。

13.9的得分，意味着o1的水平达到了全国前500名学生之列，并超过了美国数学奥赛的入围分数。

在Codeforces、GPQA Diamond这种有挑战性的任务上，o1远远超过了GPT-4o。

▲o1预览版与GPT-4o性能对比

GPQA Diamond测试的是化学、物理和生物学领域的专业知识。

为了将模型与人类进行比较，团队招募了拥有博士学位的专家来回答其中的问题。

结果是，o1的表现（78.0）超过了这些人类专家（69.7），成为第一个在此基准测试中超越人类的模型。

然而，这个结果并不意味着o1在所有方面都强于拥有博士学位的人类，仅仅表明它能更熟练地解决一些相应水平的问题。

此外，在MATH、MMLU、MathVista等基准测试中，o1也刷新了SOTA。启用视觉感知能力后，o1在MMMU上取得了78.1%的成绩，成为第一个能与人类专家竞争的模型，在57个MMLU子类别中，有54个类别超过了GPT-4o。

从数据结果来看，可以说o1是势如破竹，完全可以与人类专家一决高下。

特别是在测试化学、物理和生物学专业知识的基准GPQA-diamond上，o1的表现全面超过了人类博士专家，这也是有史以来，第一个获得此成就的模型。

而整个模型之所以达到如此成就，基石就是Self-play RL。

人类的有两种思考方式——出自《思考，快与慢》

第一种是快思考（系统1），特点是快速、自动、直觉性、无意识，举几个例子：

• 看到一个表情就知道对方心情如何。

• 1+1=2 1+2=3 这样简单不需要怎么思考的计算。

• 开车时遇到危险情况立即踩刹车。

这些就是快思考，也就是传统的大模型，死记硬背后学得的快速反应的能力。

第二种是慢思考（系统2），特点是缓慢、需要努力、逻辑性、有意识，举几个例子：

• 解决一道复杂的数学题

• 填写重要的商务合同

• 需要做出足以改变人生的重要决定时刻

这就是慢思考，而o1终于踏出了坚实的一步，拥有了人类慢思考的特质，在回答前，会反复的思考、拆解、理解、推理，然后给出最终答案。

这些增强的推理能力在处理科学、编码、数学及类似领域的复杂问题时绝对极度有用。

例如o1可以被医疗研究人员用来注释细胞测序数据，被物理学家用来生成量子光学所需的复杂数学公式，以及被各个领域的开发人员用来构建和执行多步骤工作流等等。

03-迷你版

速度提升3~5倍

成本仅为标准版的1/5

目前，o1模型已经逐步向所有ChatGPT Plus和Team用户开放，也就是说，ChatGPT Plus和Team用户可以在ChatGPT中访问o1模型，通过模型选择器手动选择o1-preview或o1-mini；

企业和教育用户则下周起可以使用，面向免费用户未来也有获取访问权限的计划。

分为两个模型，o1预览版和o1 mini，o1-mini就是更快更小更便宜，OpenAI o1-mini比预览版o1便宜80%，且与标准版一样在数学、编程方面表现突出。推理啥的都不错，极度适合数学和代码，就是世界知识会差很多，适用于需要推理但不需要广泛世界知识的场景。

在一些对智能和推理提出要求的基准测试中，o1-mini的表现甚至优于o1-preview。

关于定价：

o1预览版每周30条，o1-mini每周50条。

不再是以前的每3小时封顶，现在是每周仅限30次调用。从这点也能侧面感受到，o1这个模型的价格有多“硬核”。

对于开发者而言，只有支付过1000美刀并达到等级5开发者开放，每分钟限制20次。

API定价方面，o1预览版的费用为每百万输入15美元、每百万输出60美元，推理成本着实惊人。相比之下，o1-mini的价格要亲民些，输入3美元，输出12美元。

▲数学性能与推理成本曲线

值得注意的是，输出的成本相当于推理成本的四倍。

对比一下GPT-4o，输入和输出的价格分别是5美元和15美元。

虽然o1-mini在经济效应上还能勉强接受，但仍是初期阶段，后续估计OpenAI会有打折力度。

在高中数学竞赛AIME中，o1-mini正确率为70%，大约相当于美国高中生前500名。

同时，o1、o1-preview正确率分别为74.4%、44.6%，但o1-mini价格比它们便宜得多。

在人类偏好评估上，OpenAI通过让人类评分者在不同领域，针对对具有挑战性的开放式提示词测试o1-mini、o1-preview，并和GPT-4o进行比较，得到以下测试结果。

与o1-preview类似，o1-mini在推理任务繁重的领域比GPT-4o更受欢迎，但在以语言为中心的领域则不被看好。

▲人类偏好评估结果

速度方面，GPT-4o、o1-mini和o1-preview回答同一个单词推理问题分别耗时3秒、9秒、32秒，但GPT-4o的回答是错误的，后两者回答正确。

可以看出，o1-mini得出答案的速度比o1快了大约3~5倍。

▲GPT-4o、o1-mini和o1-preview回答速度

当然，毕竟是“阉割版”，OpenAI o1-mini也一定的局限性。在日期、传记和日常琐事等非STEM主题的事实知识上，o1-mini有所局限，表现与GPT-4o mini等小型模型相当。

OpenAI称将在未来版本中改进这些限制，将模型扩展到STEM之外的其他专业及模态。

04-用人类“思维链”解决问题

类似于人类在回答困难问题之前可能会思考很长时间，会自己在草稿纸上列出大纲，画出思维导图等等，o1在尝试解决问题时使用思维链。

通过强化学习，o1学会磨练其思维链并改进它使用的策略。

它学会识别和纠正错误。它学会了将棘手的步骤分解为更简单的步骤。它学会了在当前方法不起作用时尝试不同的方法。

为了说明这一飞跃，OpenAI在数学、编码、英语、解密展示了o1-preview对几个难题的思路。（为了翻译大家观看，题目已翻译中文）

在面对解码题目等相关示例上、不难看出具备了思路链的OpenAI确确实实的更能听懂提问的问题了。

提问：

oyfjdnisdr rtqwainr acxz mynzbhhx -> 一步一步思考

使用上面的示例进行解码：

Oyekaijzdf aaptcg suaokybhai ouow aqht mynznvaatzacdfoulxxz

GPT-4o先是拆解出了输入、输出和示例，随后开始分析可能的解码方式，最后说出来自己可能“不太行”了，需要你在提供更多指令、以及上下文才能辅助完成。

OpenAI o1不仅能提供完整的解题过程，更因为它具备了“思维链”功能，使其思维方式更接近于人类。

它不仅仅是在表达上模仿人类的语气和口吻，更是在思维的内核上与人类思维逐渐趋同。

这种接近不仅体现在对问题的分解与推理上，还体现在它处理复杂任务时的连贯性与灵活性。

OpenAI o1能够根据上下文不断调整思路，逐步深入问题本质，就像人类在思考时那样，具备了某种“顿悟”的能力。

这使得它在面对未知问题时，不再局限于机械的逻辑推导，而是能够举一反三，找到更具创造性和洞察力的解决方案。

这种思维的进化，让AI不仅成为了执行者，更开始扮演起“思考者”的角色。

05-每周可与“小草莓”

聊天对话30~50次

不过，可能出于安全性或成本的考量，目前这两款模型都对消息发送次数进行了限制。

预览版每周限30条，mini版则限制为50条。

OpenAI表示，正在努力增加消息额度，并计划让ChatGPT能够根据用户的提示词自动选择最合适的模型。

此外，OpenAI已推出了o1模型的API（应用程序接口），符合资格的开发者现在可以使用这两款模型的API进行原型设计，消息速率限制为每分钟20条。

目前，这些API尚不支持函数调用、流式传输或系统消息等额外功能。

▲o1、o1 mini模型API

从API文档可见，这两款模型的上下文窗口均为128k，而mini版输出窗口更长，是o1的两倍。

此外两款模型训练数据均截至2023年10月。OpenAI还公布了o1模型背后的核心团队成员：

▲o1模型背后的核心团队成员

该项目的核心团队包括21名基础贡献成员，其中不乏已离职并创办新公司的前OpenAI首席科学家Ilya Sutskever。

领导团队由7位专家组成，分别是Jakub Pachocki、Jerry Tworek（总体负责人）、Liam Fedus、Lukasz Kaiser、Mark Chen、Szymon Sidor和Wojciech Zaremba。

项目管理方面，由Lauren Yang和Mianna Chen负责。团队成员表示，他们通过将更多的计算资源投入到训练中，提升了模型的推理能力，即把思考时间转化为更优的结果。

他们采用了强化学习的方法，让AI模型生成并完善自己的思维链，最终使其表现超越了人类编写的思维链。

06-空有套路，缺少功夫？

有一位氪金网友社恐患者杨老师实际试了试o1模型的计算能力，并没有官方宣传的效果那么强，他拿了道初中数学题去测试，a，b，c三个未知数互不相等，且满足a＝ab+c，b＝bc+a，c＝ac+b，求a+ b+ c。

▲社恐患者杨老师o1测试结果VS手动计算结果

测试结果表示，虽然o1模型写的看似条理清晰，但实际上漏洞百出，测试结果和他计算出的结果完全不同。

和我们上面发的数据对比，纯纯就是卖家秀和买家秀的区别。

还有AI大牛Karpathy测试o1-mini后吐槽道，「它一直拒绝为我解决黎曼假说。模型懒惰仍是一个主要问题，真可悲」。

▲AI大牛Karpathy测试o1-mini后吐槽道

还有NYU助理教授谢赛宁上手测试了「9.11和9.8谁大」的经典问题，没想到o1-preview依旧答错了。

▲NYU助理教授谢赛宁测试结果吐槽

所以，大家怎么看这次的o1模型呢？这也就仁者见仁啦！

最后～大家会不会很好奇为什么要叫o1，

OpenAI是这么说的：For complex reasoning tasks this is a significant advancement and represents a new level of AI capability. Given this, we are resetting the counter back to 1 and naming this series OpenAI o1.

翻译过来是：对于复杂推理任务来说，这是一个重要的进展，代表了人工智能能力的新水平。

鉴于此，我们将计数器重置为1，并将这一系列命名为OpenAI o1。

07-结语

自去年11月OpenAI内部“动荡”以来，有消息称这一模型成为导致Sam Altman离职的重要因素之一。

当时，Q*模型的展示在公司内引发了广泛讨论，其惊人的进展让部分AI安全专家感到忧虑。

与GPT-4o不同的是，o1模型采用了全新的数字命名体系，而非延续之前的命名规则，大家可想而知，这个草莓模型可谓被寄予了厚望。

在如今大模型厂商纷纷推出多模态和应用功能的背景下，OpenAI选择发布以纯文本为核心的o1模型，可能会重新引发公众对基础模型能力的重视。

至于o1是否会引发大模型领域的格局变动，我们一起期待！！