OpenAI 发布全新 AI 模型 o1 预览版，推理能力进化，解决复杂任务超越人类博士水平

智东西9月13日报道，今日凌晨，突然发布传说中“草莓”模型的部分预览版—— 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。

▲发布o1模型

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

已经离开创业的创始成员、前特斯拉AI高级总监 今早发文吐槽：“o1-mini一直拒绝为我解决黎曼假设。模特懒惰仍然是一个主要的问题��”

▲ 吐槽o1 mini“懒惰”

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。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。

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首席科学家Ilya ，团队负责人有7名。

01.

MMLU媲美人类专家

编程能力8倍杀GPT-4o

与此前曝料的一样， 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， 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， 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。

▲ 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，的上一代模型GPT-4o正确率为13%，而 o1则达到83%。在编程比赛中， o1的分数为89，而GPT-4o仅有11。即使是预览版的o1-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 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（王子），用Q代表（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， 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

让模型用制作一个名为《寻找松鼠（ ）》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 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。

02.

迷你版速度提升3~5倍

成本仅为标准版1/5

还发布了“小杯版”模型 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。

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。

o1-mini比预览版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-。

▲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-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，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-，并和GPT-4o进行比较，得到以下测试结果。与o1-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-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-回答速度

当然，毕竟是“阉割版”， 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。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。

03.

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 ）。

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（ ）。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（ ），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，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 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

为了展示o1实现的飞跃，展示了预览版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。