大模型領(lǐng)域的技術(shù)發(fā)展，今天起再次「從 1 開始」了。

大語言模型還能向上突破，OpenAI 再次證明了自己的實力。

北京時間 9 月 13 日午夜，OpenAI 正式公開一系列全新 AI 大模型，旨在專門解決難題。這是一個重大突破，新模型可以實現(xiàn)復(fù)雜推理，一個通用模型解決比此前的科學(xué)、代碼和數(shù)學(xué)模型能做到的更難的問題。

OpenAI 稱，今天在 ChatGPT 和大模型 API 中新發(fā)布的是該系列中的第一款模型，而且還只是預(yù)覽版 ——o1-preview。除了 o1，OpenAI 還展示了目前正在開發(fā)的下次更新的評估。

o1 模型一舉創(chuàng)造了很多歷史記錄。

首先，o1 就是此前 OpenAI 從山姆?奧特曼到科學(xué)家們一直在「高調(diào)宣傳」的草莓大模型。它擁有真正的通用推理能力。在一系列高難基準(zhǔn)測試中展現(xiàn)出了超強(qiáng)實力，相比 GPT-4o 有巨大提升，讓大模型的上限從「沒法看」直接上升到優(yōu)秀水平，不專門訓(xùn)練直接數(shù)學(xué)奧賽金牌，甚至能在博士級別的科學(xué)問答環(huán)節(jié)上超越人類專家。

奧特曼表示，雖然 o1 的表現(xiàn)仍然存在缺陷，不過你在第一次使用它的時候仍然會感到震撼。

其次，o1 給大模型規(guī)模擴(kuò)展 vs 性能的曲線帶來了一次上翹。它在大模型領(lǐng)域重現(xiàn)了當(dāng)年 AlphaGo 強(qiáng)化學(xué)習(xí)的成功 —— 給越多算力，就輸出越多智能，一直到超越人類水平。

也就是從方法上，o1 大模型首次證明了語言模型可以進(jìn)行真正的強(qiáng)化學(xué)習(xí)。

開發(fā)出首個 AI 軟件工程師 Devin 的 Cognition AI 表示，過去幾周一直與 OpenAI 密切合作，使用 Devin 評估 o1 的推理能力。結(jié)果發(fā)現(xiàn)， 與 GPT-4o 相比，o1 系列模型對于處理代碼的智能體系統(tǒng)來說是一個重大進(jìn)步。

最后在實踐中，o1 上線之后，現(xiàn)在 ChatGPT 可以在回答問題前先仔細(xì)思考，而不是立即脫口而出答案。就像人類大腦的系統(tǒng) 1 和系統(tǒng) 2，ChatGPT 已經(jīng)從僅使用系統(tǒng) 1（快速、自動、直觀、易出錯）進(jìn)化到了可使用系統(tǒng) 2 思維（緩慢、深思熟慮、有意識、可靠）。這讓它能夠解決以前無法解決的問題。

從今天 ChatGPT 的用戶體驗來看，這是向前邁進(jìn)一小步。在簡單的 Prompt 下，用戶可能不會注意到太大的差異，但如果問一些棘手的數(shù)學(xué)或者代碼問題，區(qū)別就開始明顯了。更重要的是，未來發(fā)展的道路已經(jīng)開始顯現(xiàn)。

總而言之，今晚 OpenAI 丟出的這個重磅炸彈，已經(jīng)讓整個 AI 社區(qū)震撼，紛紛表示 tql、睡不著覺，深夜已經(jīng)開始抓緊學(xué)習(xí)。接下來，就讓我們看下 OpenAI o1 大模型的技術(shù)細(xì)節(jié)。

OpenAI o1 工作原理

在技術(shù)博客《Learning to Reason with LLMs》中，OpenAI 對 o1 系列語言模型做了詳細(xì)的技術(shù)介紹。

OpenAI o1 是經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練來執(zhí)行復(fù)雜推理任務(wù)的新型語言模型。特點就是，o1 在回答之前會思考 —— 它可以在響應(yīng)用戶之前產(chǎn)生一個很長的內(nèi)部思維鏈。

也就是該模型在作出反應(yīng)之前，需要像人類一樣，花更多時間思考問題。通過訓(xùn)練，它們學(xué)會完善自己的思維過程，嘗試不同的策略，并認(rèn)識到自己的錯誤。

在 OpenAI 的測試中，該系列后續(xù)更新的模型在物理、化學(xué)和生物學(xué)這些具有挑戰(zhàn)性的基準(zhǔn)任務(wù)上的表現(xiàn)與博士生相似。OpenAI 還發(fā)現(xiàn)它在數(shù)學(xué)和編碼方面表現(xiàn)出色。

在國際數(shù)學(xué)奧林匹克（IMO）資格考試中，GPT-4o 僅正確解答了 13% 的問題，而 o1 模型正確解答了 83% 的問題。

模型的編碼能力也在比賽中得到了評估，在 Codeforces 比賽中排名 89%。

OpenAI 表示，作為早期模型，它還不具備 ChatGPT 的許多實用功能，例如瀏覽網(wǎng)頁獲取信息以及上傳文件和圖片。

但對于復(fù)雜的推理任務(wù)來說，這是一個重大進(jìn)步，代表了人工智能能力的新水平。鑒于此，OpenAI 將計數(shù)器重置為 1，并將該系列模型命名為 OpenAI o1。

重點在于，OpenAI 的大規(guī)模強(qiáng)化學(xué)習(xí)算法，教會模型如何在數(shù)據(jù)高度有效的訓(xùn)練過程中利用其思想鏈進(jìn)行高效思考。換言之，類似于強(qiáng)化學(xué)習(xí)的 Scaling Law。

OpenAI 發(fā)現(xiàn)，隨著更多的強(qiáng)化學(xué)習(xí)（訓(xùn)練時計算）和更多的思考時間（測試時計算），o1 的性能持續(xù)提高。而且擴(kuò)展這種方法的限制與大模型預(yù)訓(xùn)練的限制有很大不同，OpenAI 也還在繼續(xù)研究。

評估

為了突出相對于 GPT-4o 的推理性能改進(jìn)，OpenAI 在一系列不同的人類考試和機(jī)器學(xué)習(xí)基準(zhǔn)測試中測試了 o1 模型。實驗結(jié)果表明，在絕大多數(shù)推理任務(wù)中，o1 的表現(xiàn)明顯優(yōu)于 GPT-4o。

                                   ^{o1 在具有挑戰(zhàn)性的推理基準(zhǔn)上比 GPT-4o 有了很大的改進(jìn)。}

                                  ^{o1 在廣泛的基準(zhǔn)測試上比 GPT-4o 有所改進(jìn)，包括 54/57 MMLU 子類別，圖示出了 7 個以供說明。}

在許多推理密集型基準(zhǔn)測試中，o1 的表現(xiàn)可與人類專家相媲美。最近的前沿模型在 MATH 和 GSM8K 上表現(xiàn)得非常好，以至于這些基準(zhǔn)測試在區(qū)分模型方面不再有效。因此，OpenAI 在 AIME 上評估了數(shù)學(xué)成績，這是一項旨在測試美國最聰明高中數(shù)學(xué)學(xué)生的考試。

^{‍在一個官方演示中，o1-preview 解答了一個非常困難的推理問題：當(dāng)公主的年齡是王子的兩倍時，公主的年齡與王子一樣大，而公主的年齡是他們現(xiàn)在年齡總和的一半。王子和公主的年齡是多少？提供這個問題的所有解。}

在 2024 年 AIME 考試中，GPT-4o 平均只解決了 12% (1.8/15) 的問題，而 o1 在每個問題只有一個樣本的情況下平均為 74% (11.1/15)，在 64 個樣本之間達(dá)成一致的情況下為 83% (12.5/15)，在使用學(xué)習(xí)的評分函數(shù)對 1000 個樣本重新排序時為 93% (13.9/15)。13.9 分可以躋身全美前 500 名，并且高于美國數(shù)學(xué)奧林匹克競賽分?jǐn)?shù)線。

OpenAI 還在 GPQA Diamond 基準(zhǔn)上評估了 o1，這是一個困難的智力基準(zhǔn)，用于測試化學(xué)、物理和生物學(xué)方面的專業(yè)知識。為了將模型與人類進(jìn)行比較，OpenAI 聘請了擁有博士學(xué)位的專家來回答 GPQA Diamond 基準(zhǔn)問題。

實驗結(jié)果表明：o1 超越了人類專家的表現(xiàn)，成為第一個在該基準(zhǔn)測試中做到這一點的模型。

這些結(jié)果并不意味著 o1 在所有方面都比博士更有能力 —— 只是該模型更擅長解決一些博士應(yīng)該解決的問題。在其他幾個 ML 基準(zhǔn)測試中，o1 實現(xiàn)了新的 SOTA。

啟用視覺感知能力后，o1 在 MMMU 基準(zhǔn)上得分為 78.2%，成為第一個與人類專家相當(dāng)?shù)哪Ｐ?。o1 還在 57 個 MMLU 子類別中的 54 個上優(yōu)于 GPT-4o。

思維鏈（CoT）

與人類在回答難題之前會長時間思考類似，o1 在嘗試解決問題時會使用思維鏈。通過強(qiáng)化學(xué)習(xí)，o1 學(xué)會磨練其思維鏈并改進(jìn)其使用的策略。o1 學(xué)會了識別和糾正錯誤，并可以將棘手的步驟分解為更簡單的步驟。o1 還學(xué)會了在當(dāng)前方法不起作用時嘗試不同的方法。這個過程極大地提高了模型的推理能力。

編程能力

基于 o1 進(jìn)行了初始化并進(jìn)一步訓(xùn)練了其編程技能后，OpenAI 訓(xùn)練得到了一個非常強(qiáng)大的編程模型（o1-ioi）。該模型在 2024 年國際信息學(xué)奧林匹克競賽（IOI）賽題上得到了 213 分，達(dá)到了排名前 49% 的水平。并且該模型參與競賽的條件與 2024 IOI 的人類參賽者一樣：需要在 10 個小時內(nèi)解答 6 個高難度算法問題，并且每個問題僅能提交 50 次答案。

針對每個問題，這個經(jīng)過專門訓(xùn)練的 o1 模型會采樣許多候選答案，然后基于一個測試時選取策略提交其中 50 個答案。選取標(biāo)準(zhǔn)包括在 IOI 公共測試案例、模型生成的測試案例以及一個學(xué)習(xí)得到的評分函數(shù)上的性能。

研究表明，這個策略是有效的。因為如果直接隨機(jī)提交一個答案，則平均得分僅有 156。這說明在該競賽條件下，這個策略至少值 60 分。

OpenAI 發(fā)現(xiàn)，如果放寬提交限制條件，則模型性能更是能大幅提升。如果每個問題允許提交 1 萬次答案，即使不使用上述測試時選取策略，該模型也能得到 362.14 分——可以得金牌了。

最后，OpenAI 模擬了 Codeforces 主辦的競爭性編程競賽，以展示該模型的編碼技能。采用的評估與競賽規(guī)則非常接近，允許提交 10 份代碼。GPT-4o 的 Elo 評分為 808，在人類競爭對手中處于前 11% 的水平。該模型遠(yuǎn)遠(yuǎn)超過了 GPT-4o 和 o1——它的 Elo 評分為 1807，表現(xiàn)優(yōu)于 93% 的競爭對手。

                                   ^{在編程競賽上進(jìn)一步微調(diào)使得 o1 能力又增，并在 2024 年國際信息學(xué)奧林匹克競賽（IOI）規(guī)則下排名前 49%。}

下面這個官方示例直觀地展示了 o1-preview 的編程能力：一段提示詞就讓其寫出了一個完整可運(yùn)行的游戲。

人類偏好評估

除了考試和學(xué)術(shù)基準(zhǔn)之外，OpenAI 還在更多領(lǐng)域的具有挑戰(zhàn)性的開放式提示上評估了人類對 o1-preview 和 GPT-4o 的偏好。

在這次評估中，人類訓(xùn)練者對 o1-preview 和 GPT-4o 的提示進(jìn)行匿名回答，并投票選出他們更喜歡的回答。在數(shù)據(jù)分析、編程和數(shù)學(xué)等推理能力較強(qiáng)的類別中，o1-preview 的受歡迎程度遠(yuǎn)遠(yuǎn)高于 GPT-4o。然而，o1-preview 在某些自然語言任務(wù)上并不受歡迎，這表明它并不適合所有用例。

                                 ^{在需要更強(qiáng)大推理能力的領(lǐng)域，人們更青睞 o1-preview。}

安全

思維鏈（CoT）推理為安全和對齊提供了新的思路。OpenAI 發(fā)現(xiàn)，將模型行為策略整合到推理模型的思維鏈中，可以高效、穩(wěn)健地教導(dǎo)人類價值觀和原則。通過向模型教導(dǎo)自己的安全規(guī)則以及如何在上下文中推理它們，OpenAI 發(fā)現(xiàn)推理能力直接有利于模型穩(wěn)健性的證據(jù)：o1-preview 在關(guān)鍵越獄評估和用于評估模型安全拒絕邊界的最嚴(yán)格內(nèi)部基準(zhǔn)上取得了顯著的改進(jìn)。

OpenAI 認(rèn)為，使用思維鏈可以為安全和對齊帶來重大進(jìn)步，因為 1）它能夠以清晰的方式觀察模型思維，并且 2）關(guān)于安全規(guī)則的模型推理對于分布外場景更具穩(wěn)健性。

為了對自己的改進(jìn)進(jìn)行壓力測試， OpenAI 在部署之前根據(jù)自己的安全準(zhǔn)備框架進(jìn)行了一系列安全測試和紅隊測試。結(jié)果發(fā)現(xiàn)，思維鏈推理有助于在整個評估過程中提高能力。尤其值得注意的是，OpenAI 觀察到了有趣的獎勵黑客攻擊實例。

安全準(zhǔn)備框架鏈接：https://openai.com/safety/

隱藏思維鏈

OpenAI 認(rèn)為隱藏思維鏈為監(jiān)控模型提供了獨特的機(jī)會。假設(shè)它是忠實且清晰的，隱藏思維鏈?zhǔn)沟媚軌颉缸x懂」模型的思想并了解其思維過程。例如，人們將來可能希望監(jiān)控思維鏈以尋找操控用戶的跡象。

但要做到這一點，模型必須能夠自由地以未改變的形式表達(dá)其思想，因此不能在思維鏈方面訓(xùn)練進(jìn)行任何政策合規(guī)性或用戶偏好性訓(xùn)練。OpenAI 也不想讓用戶直接看到不一致的思維鏈。

因此，在權(quán)衡用戶體驗、競爭優(yōu)勢和追求思維鏈監(jiān)控的選項等多種因素后，OpenAI 決定不向用戶展示原始的思維鏈。OpenAI 承認(rèn)這個決定有不好的地方，因此努力通過教導(dǎo)模型在答案中重現(xiàn)思維鏈中的任何有用想法來部分彌補(bǔ)。同時，對于 o1 模型系列，OpenAI 展示了模型生成的思維鏈摘要。

可以說，o1 顯著提升了 AI 推理的最新水平。OpenAI 計劃在不斷迭代的過程中發(fā)布此模型的改進(jìn)版本，并期望這些新的推理能力將提高將模型與人類價值觀和原則相結(jié)合的能力。OpenAI 相信 o1 及其后續(xù)產(chǎn)品將在科學(xué)、編程、數(shù)學(xué)和相關(guān)領(lǐng)域為 AI 解鎖更多新用例。

OpenAI o1-mini

o1 是一個系列模型。這次 OpenAI 還一并發(fā)布了一個 mini 版 OpenAI o1-mini。該公司在博客中給出了 preview 和 mini 版的不同定義：「為了給開發(fā)者提供更高效的解決方案，我們也發(fā)布了 OpenAI o1-mini，這是一個尤其擅長編程的更快、更便宜的推理模型?！拐w來看，o1-mini 的成本比 o1-preview 低 80%。

由于 o1 等大型語言模型是在大量文本數(shù)據(jù)集上預(yù)訓(xùn)練，雖然具有廣泛世界知識，但對于實際應(yīng)用來說，可能成本高昂且速度慢。

相比之下，o1-mini 是一個較小的模型，在預(yù)訓(xùn)練期間針對 STEM 推理進(jìn)行了優(yōu)化。在使用與 o1 相同的高計算強(qiáng)化學(xué)習(xí) (RL) pipeline 進(jìn)行訓(xùn)練后， o1-mini 在許多有用的推理任務(wù)上實現(xiàn)了相媲美的性能，同時成本效率顯著提高。

比如在需要智能和推理的基準(zhǔn)測試中，與 o1-preview 和 o1 相比，o1-mini 表現(xiàn)良好。但它在需要非 STEM 事實知識的任務(wù)上表現(xiàn)較差。

數(shù)學(xué)能力：在高中 AIME 數(shù)學(xué)競賽中，o1-mini (70.0%) 與 o1 (74.4%) 不相上下，但價格卻便宜很多，并且優(yōu)于 o1-preview (44.6%)。o1-mini 的得分（約 11/15 個問題）大約位于美國前 500 名高中生之列。

編碼能力：在 Codeforces 競賽網(wǎng)站上，o1-mini 的 Elo 得分為 1650，與 o1 (1673) 不相上下，并且高于 o1-preview (1258)。此外，o1-mini 在 HumanEval 編碼基準(zhǔn)和高中網(wǎng)絡(luò)安全奪旗挑戰(zhàn) (CTF) 中也表現(xiàn)出色。

STEM：在一些需要推理的學(xué)術(shù)基準(zhǔn)上，例如 GPQA（科學(xué)）和 MATH-500，o1-mini 的表現(xiàn)優(yōu)于 GPT-4o。o1-mini 在 MMLU 等任務(wù)上的表現(xiàn)則不如 GPT-4o，并且由于缺乏廣泛的世界知識而在 GPQA 基準(zhǔn)上落后于 o1-preview。

人類偏好評估：OpenAI 讓人類評分員在各個領(lǐng)域具有挑戰(zhàn)性的開放式提示上比較 o1-mini 和 GPT-4o。與 o1-preview 類似，在推理密集型領(lǐng)域，o1-mini 比 GPT-4o 更受歡迎；但在以語言為中心的領(lǐng)域，o1-mini 并不比 GPT-4o 更受歡迎。

在速度層面，OpenAI 比較了 GPT-4o、o1-mini 和 o1-preview 對一個單詞推理問題的回答。結(jié)果顯示，GPT-4o 回答不正確，而 o1-mini 和 o1-preview 均回答正確，并且 o1-mini 得出答案的速度快了大約 3-5 倍。

如何使用 OpenAI o1？

ChatGPT Plus 和 Team（個人付費(fèi)版與團(tuán)隊版）用戶馬上就可以在該公司的聊天機(jī)器人產(chǎn)品 ChatGPT 中開始使用 o1 模型了。你可以手動選取使用 o1-preview 或 o1-mini。不過，用戶的使用量有限。

目前，每位用戶每周僅能給 o1-preview 發(fā)送 30 條消息，給 o1-mini 發(fā)送 50 條消息。

是的，很少！不過 OpenAI 表示正在努力提升用戶的可使用次數(shù)，并讓 ChatGPT 能自動針對給定提示詞選擇使用合適的模型。

至于企業(yè)版和教育版用戶，要到下周才能開始使用這兩個模型。

至于通過 API 訪問的用戶，OpenAI 表示達(dá)到了 5 級 API 使用量的開發(fā)者可以即刻開始使用這兩個模型開始開發(fā)應(yīng)用原型，但同樣也被限了速：20 RPM。什么是 5 級 API 使用量？簡單來說，就是已經(jīng)消費(fèi)了 1000 美元以上并且已經(jīng)是超過 1 個月的付費(fèi)用戶。請看下圖：

OpenAI 表示對這兩個模型的 API 調(diào)用并不包含函數(shù)調(diào)用、流式傳輸（streaming）、系統(tǒng)支持消息等功能。同樣，OpenAI 表示正在努力提升這些限制。

未來

OpenAI 表示，未來除了模型更新之外，還將增加網(wǎng)絡(luò)瀏覽、文件和圖像上傳等功能，以讓這些模型變得更加有用。

「除了新的 o1 系列模型，我們計劃繼續(xù)開發(fā)和發(fā)布我們的 GPT 系列模型?！?/p>

^{參考內(nèi)容：}

^{https://openai.com/index/introducing-openai-o1-preview/}

^{https://openai.com/index/openai-o1-mini-advancing-cost-efficient-reasoning/}

^{https://openai.com/index/learning-to-reason-with-llms/}

^{https://x.com/sama/status/1834283100639297910}