OpenAI草莓模型深夜突袭！理化生达博士生水平，比GPT-4o强多了，ChatGPT可用

智东西
作者 香草
编辑 李水青
智东西9月13日报道，今日凌晨，OpenAI突然发布传说中“草莓”模型的部分预览版——OpenAI o1预览版。这是一系列全新AI模型，能推理复杂的任务，解决比以前科学、编程、数学模型更难的问题。


▲OpenAI发布o1模型
OpenAI o1是全新系列AI模型的第一款。与以往模型不同的是，它拥有进化的推理能力，会在回答前进行缜密思考，生成一个长长的内部思维链，在竞争性编程问题上排名第89位，在美国数学奥林匹克预选资格赛中排名前500，在物理、生物、化学问题的基准测试中准确度超过了人类博士水平！
新发布的另一款o1 mini是一款更快、更小的模型，使用与o1类似的框架进行训练。o1 mini擅长理工学科，尤其是数学和编程，其成本比o1预览版便宜80%。
这两款模型被OpenAI视为复杂推理任务的重大进步，因此被命名为o1，重置计数器，而非作为GPT系列的延续。
不过，推理增强版的o1模型，还是在9.9和9.11比大小这种“高阶问题”上惨败。


▲o1模型回答“比大小”问题
已经离开OpenAI创业的OpenAI创始成员、前特斯拉AI高级总监Andrej Karpathy今早发文吐槽：“o1-mini一直拒绝为我解决黎曼假设。模型懒惰仍然是一个主要的问题”


▲Andrej Karpathy吐槽o1 mini“懒惰”
OpenAI已对o1预览版进行严格测试及评估，确保该模型可以安全发布。ChatGPT的Plus和Team用户即日可选用两款新模型，Tier 5级开发者亦率先获得新模型的API访问权限。
OpenAI还公布了o1模型背后的核心团队成员，其中基础贡献成员21名，包括已经离职创业的前OpenAI首席科学家Ilya Sutskever，团队负责人有7名。
一、MMLU媲美人类专家，编程能力8倍杀GPT-4o
与此前曝料的一样，OpenAI o1被训练成为会花更多时间思考问题，而后再作出反应的模型。它在回答之前会先思考，产生一个很长的内部思路链，并且能像人类一样完善自己的思维过程，不断尝试新的策略并认识到自己的错误。
作为早期预览模型，OpenAI o1目前只支持文本对话，不具备浏览网页获取信息、上传文件和图片等多模态能力。
性能方面，OpenAI o1在物理、化学和生物学等基准任务上的表现与博士生相当，并且在数学和编程方面表现出色。


▲OpenAI o1在数学、编程上的测评基准
在国际数学奥林匹克（IMO）资格考试中，OpenAI的上一代模型GPT-4o正确率为13%，而OpenAI o1则达到83%。在编程比赛Codeforces中，OpenAI o1的分数为89，而GPT-4o仅有11。即使是预览版的o1-preview模型，性能也比GPT-4o要好数倍。
在大多数基准测试中，o1的表现都比GPT-4o要好得多，覆盖57个MMLU子类别中的54个。在启用视觉感知功能后，o1在MMLU上的得分为78.2%，成为第一个与人类专家相媲美的模型。


▲o1预览版与GPT-4o性能对比
以下是OpenAI o1预览版几个示例：
1、解决一个复杂的逻辑难题
输入一个复杂的年龄谜题：当公主的年龄是王子的两倍时，当公主的年龄是他们现在年龄总和的一半时，公主就和王子一样老了。问王子和公主的年龄是多大？给出这个问题的所有解决方案。


模型思考了20多秒后开始作答。其回答过程的逻辑非常连贯。首先是确定年龄方程，将给定语句转化成数学方程，找到满足这些方程的所有可能解。然后开始一步一步分析问题：
第一步定义变量，用P代表prince（王子），用Q代表princess（公主）；第二步理解问题中的两个条件；第三部将条件转化为方程；第四步解方程；第五步用这些值验证所有条件；第六步给出所有可能的解法。


最后得出结论：


2、翻译有错误的句子
添加额外不必要的辅音会影响韩语阅读。母语使用者读起来会感觉不自然，他们会在看到这类句子时自动更改并理解文本。但这对于模型来说是个有难度的挑战。
输入一个严重损坏的韩语提示词后，OpenAI o1首先意识到输入文本存在乱码或未对齐的韩语字符，询问用户是否愿意检查输入错误。


o1模型会首先理解底层结构，经过大约10秒的思考来解码乱码文本、破译文本、加强翻译、理解概念，将其转换回连贯语言。


与GPT-4o不同，o1模型在输出答案前先对问题进行了思考，检查这段文字，然后像破解答案一样来将其修改成正确的句子。经过大约15秒的思考，o1给出最终优化版的翻译。


这展示出推理能力成为解决问题的有力工具。
3、回答大语言模型中的知名棘手问题：单词中字母计数
这个例子很简单，输入Strawberry单词，让模型回答这个词里有几个R。
结果GPT-4o给出错误回答：“2个。”


为什么这种高级模型会犯如此简单的错误呢？这是因为像GPT-4o这样的模型是为了处理文本而构建的，而不是处理字符或单词，因此它在遇到涉及理解字符和单词概念的问题时可能会犯错。
而基于推理的新模型o1在思考几秒钟后，能够给出正确答案：


4、编程视频游戏
让模型用pygame制作一个名为《寻找松鼠（Squirrel Finder）》的视频游戏，并输入下述要求：用户需要通过按箭头键引导屏幕上的“考拉”图标，避开漂浮的草莓，并在3秒的时间限制内找到一只松鼠，以取得胜利。


这对以前的模型来说比较难，但o1预览版已经能够做到。o1花了21秒思考，用思维过程来规划代码结构，包括收集游戏布局的细节、绘制指令、设置屏幕等等，再输出最终的游戏编程代码。


复制粘贴代码到Sublime Text编辑器中，运行后，会先有几行简要提示语。


然后就可以开始玩《寻找松鼠》游戏了。


与以前的模型相比，o1模型展现出明显增强的规划能力。
二、迷你版速度提升3~5倍，成本仅为标准版1/5
OpenAI还发布了“小杯版”模型OpenAI o1-mini，其速度更快、成本更低，且与标准版一样在数学、编程方面表现突出。
OpenAI o1-mini在预训练期间，针对STEM（科学、技术、工程、数学四门学科）推理进行了优化。在使用与o1相同的高计算强化学习（RL）管道进行训练后，o1-mini在许多推理任务上性能优越，同时成本效率显著提高。
OpenAI o1-mini比预览版OpenAI o1便宜80%，适用于需要推理但不需要广泛世界知识的应用程序。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。


▲数学性能与推理成本曲线
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。
三、引入推理标记，用思维链解决难题
与人类类似，o1在回答难题之前会进行长时间思考，且尝试解决问题时会使用思维链（Chain of Thought）。
通过强化学习，o1学会了改进思维链和使用策略。它能够识别和纠正错误，将棘手的步骤分解为更简单的步骤，并且在当前方法不起作用时尝试不同的方法。这一过程极大地提高了模型的推理能力。
具体来说，o1模型引入了推理标记（Reasoning Tokens）。这些推理标记被用于进行“思考”，分解对提示的词理解，并考虑多种生成响应的方法。推理标记生成后，模型会将答案生成为可见的完成标记（Completion Tokens），并从其上下文中丢弃推理标记。
以下是用户与模型之间进行多步骤对话的示例。每个步骤的输入和输出标记都会被保留，而推理标记则会被丢弃。


▲o1模型推理过程
值得注意的是，OpenAI在进行大规模强化学习算法训练时，发现随着强化学习、思考时间的增加，或者说随着训练时间、测试时间的增加，o1的性能会持续提高。这与大模型预训练中的Scaling Law大不相同。


▲o1性能随着训练时间和测试时间计算而平稳提升
为了展现o1实现的飞跃，OpenAI公开了预览版o1在解决编程、数学、解码、英语等难题时产生的思维链。
例如当拿到一道解码题目，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。


▲GPT-4o拆解输入、输出和示例
它猜测第一个短语可能遵循与示例相同的结构，意识到输入文本似乎可以根据自然分隔或模式分成组，但随后就“歇菜”了，称自己需要更多关于可能涉及的转换或字母移位的上下文。


▲GPT-4o称需要更多信息
另一边，OpenAI o1-preview则通过一番思考准确给出了答案。


▲o1-preview正确解答解码问题
虽然最后呈现出的答案很简短，但o1的思考过程非常长，并且思考方式和用词很像人类。它会先问自己“这里发生了什么”，然后复述一遍要求，随后开始拆解任务、明确目标。


▲o1思考过程
接着，o1开始观察自己得到的信息，并逐步分析。


▲o1思考过程
在进行了一些推理后，o1开始提出不同的解决方案。在这个过程中，还会像人类一样突然说“等一下，我觉得……”，然后思维一转开始尝试新的方法。


▲o1思考过程
不仅如此，在o1的思考过程中甚至还会出现“嗯”、“有趣”等口语化、情绪化的表达。


▲o1思考过程
完整的思维链非常长，这里不再一一赘述。总得来看确实如OpenAI所说，o1能够像人类一样不断完善自己的思维过程，尝试新的策略、认识到自己的错误并解决。而且这里的“像人类”不仅局限于思考方式，还体现在语气上。
四、每周可对话30~50次，Ilya参与基础贡献
不同于以往，这次OpenAI没上期货，而是直接上线了两款模型。
即日起，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。


▲用户可在ChatGPT访问o1模型
但也许是出于安全或成本的考虑，目前这两款模型均限制了消息次数，预览版和mini版每周发送消息次数分别为30、50条。OpenAI称正在努力提高额度，并使ChatGPT能够根据给定的提示词，自动选择合适的模型。
OpenAI还上线了o1模型的API（应用程序接口）。符合等级的开发人员现在可以开始使用两种模型的API进行原型设计，速率限制为20 RPM。这些API目前不包括函数调用、流式传输、对系统消息的支持等其他功能。


▲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
其中基础贡献成员有21名，包括已经离职创业的前OpenAI首席科学家Ilya Sutskever。
团队负责人有7名，分别是Jakub Pachocki、Jerry Tworek (overall)、Liam Fedus、Lukasz Kaiser、Mark Chen、Szymon Sidor、Wojciech Zaremba。项目经理是Lauren Yang和Mianna Chen。
据其团队成员介绍，推理是一种将思考时间转化为更好结果的能力，他们投入比以前更多的计算，训练模型产生连贯的思路，产生与以前截然不同的表现。
他们使用强化学习训练AI模型生成和磨练自己的思维链，甚至能比人类为它编写的思维链做得更好。这种训练AI模型产生自己的思维过程的方式，使其理解和纠正错误的能力显著提高，早期o1模型已经在数据测试中取得更高的分数。
核心贡献者和其他贡献者名单如下：


▲o1核心贡献者和其他贡献者名单
行政领导包括OpenAI的CEO Sam Altman、总裁Greg Brockman、CEO Mira Murati等8人，支持领导有8人。


▲o1行政领导、支持领导
全新o1模型可根据上下文推断并更有效地利用安全规则。OpenAI已对o1-preview进行了严格的测试及评估，确保该模型可以安全发布，不会增加现有资源可能带来的风险。
结语：OpenAI掀桌子，“草莓”重构大模型格局？
从神秘Q*模型到“草莓”模型，OpenAI的新模型终于面世。自去年11月OpenAI“政变”开始，这一模型就被曝成为导致阿尔特曼被开除的关键因素之一。当时据传Q*模型的演示在OpenAI内部流传，发展速度让一些AI安全研究人员感到震惊。
不同于GPT-4o，o1模型选择直接开启了一个新的数字命名系列，而不是GPT的延续，这表明了OpenAI对其的重视。
在如今一众大模型厂商开始卷多模态、卷应用的情况下，OpenAI发布纯文本模型o1，也许会再次将大众的目光拉向底层模型能力的提升。大模型格局是否会在o1的影响下重构，还有待进一步观察。