實(shí)測OpenAI最強(qiáng)模型o1：會做大學(xué)數(shù)理化，但弱智吧依然難解

克雷西 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

OpenAI傳說中的“草莓”終于正式上線！

不僅可以勝任更復(fù)雜的推理任務(wù)，在數(shù)學(xué)、代碼和其他科學(xué)領(lǐng)域也能解決更難的問題。

OpenAI這次“無預(yù)警發(fā)布”震撼了科技圈，o1更是被CEO奧特曼稱它為了一種新范式的開始。

發(fā)布之后，各路大神和網(wǎng)友都紛紛用各種問題測試OpenAI o1的表現(xiàn)：

還有人進(jìn)行了花式考驗(yàn)，結(jié)果被o1強(qiáng)大的推理能力秀到了。

Q：你的回復(fù)中有幾個字？
A1：這句話有七個字
A2：一共五個字

量子位也進(jìn)行了一番實(shí)測，下面就一起來了解。

推理能力大進(jìn)化，但還是難敵弱智吧

該說不說，o1雖然在推理能力上取得了很大進(jìn)步，但面對充滿心機(jī)的弱智吧問題，還是掉進(jìn)了人類挖的陷阱。

當(dāng)然了，對于正經(jīng)問題，o1的表現(xiàn)還是很強(qiáng)的，首先看看邏輯推理能力。

思考這道題時，preview和mini分別用時21秒和14秒，不過從文本上看mini思考得反而更多。

其中還出現(xiàn)了一些西里爾字母亂入，不過對整體影響不大。

最終，二者也都給出了正確的答案——丙。

值得注意的是，mini（右）的解答當(dāng)中還出現(xiàn)了修正的過程。

接下來看下o1在大學(xué)數(shù)理化題目上的表現(xiàn)。

首先是這道考研數(shù)學(xué)真題，涉及的知識點(diǎn)是曲面積分、高斯定理等內(nèi)容：

還是分別看下preview和mini的思考，可以看到mini的思考過程大概是preview的簡略版，當(dāng)然速度也快了不少。

不過preview給的思考過程當(dāng)中再次出現(xiàn)亂入，這次是泰語。

實(shí)際解答過程也是preview比mini更加詳細(xì)，不過不知道為什么preview用了英文回答。

最后的計算結(jié)果化簡方式也有所不同，但數(shù)值上是相等的，而且也做對了。

對比4o這邊，先偷懶后作弊（調(diào)用了代碼解釋器），結(jié)果最后答案還是錯的。

第二道數(shù)學(xué)題關(guān)于概率。

這道題preview依然是用英語進(jìn)行了作答，步驟比mini更加詳細(xì)，當(dāng)然都是對的。

而4o的答案前面的過程倒是基本都對，但是最后一步的求解出現(xiàn)了問題，只給出了1這一個解，并且不是本題答案。

物理方面，這里選擇了一道大學(xué)物理中的光學(xué)題：

preview（左）和mini都給出了正確解答，內(nèi)容也基本一致。

化學(xué)的題目是一道物化題，主要涉及電化學(xué)等內(nèi)容。

這里把AgCl/Ag的標(biāo)準(zhǔn)電極電勢作為已知條件一同輸入給模型。

Preview（左）和mini大致的解題思路還是差不多，在計算步驟上有指對運(yùn)算先后的差別，當(dāng)然最后的結(jié)果還是對的。

最后一項(xiàng)測試就不再做考試題了，而是看看模型編寫代碼的能力如何。

這里選擇的題目難度非常高，真人的通過率只有14%。

以下是preview（左）和mini的解題思路：

從代碼上看，兩者核心邏輯相似，但在具體操作上略有區(qū)別。

兩套代碼均通過了測試，內(nèi)存消耗也比較接近，而mini給出的代碼運(yùn)行時間更短（38毫秒）。

o1的編程能力除了用來解題，也可以快速構(gòu)建出實(shí)用的應(yīng)用程序。

知名AI配音工具ElevenLabs設(shè)計部門負(fù)責(zé)人Ammaar Reshi，就利用o1搭配Cursor Composer，用了不到10分鐘的時間制作了一款iOS天氣應(yīng)用。

，時長00:54

小數(shù)比較還是不會？

測試發(fā)現(xiàn)，對于大模型難以答對的名場面——小數(shù)比大小，preview（左）和mini都答不對。

甚至preview在思考過程中明明已經(jīng)提到過9.8比9.11大。

但同時preview在思考過程中表示，9.8和9.11有可能指的是日期，所以做不對也許另一原因。

針對這個問題，大神謝賽寧也曬出了他的測試結(jié)果，發(fā)現(xiàn)o1在思考過程中將9.8當(dāng)成了重力常數(shù)，而9.11是一個“意義不明的數(shù)字”。

所以o1可能不是不會，而是把這個問題想復(fù)雜了。

為了進(jìn)一步探究，我們把問題改得具體些，強(qiáng)調(diào)一下9.8和9.11都是數(shù)字，這下沒有了歧義之后就能一次做對了。

可以看出，提示詞的影響還是不小的。

由于o1在內(nèi)部采用了一些類思維鏈過程，因此prompt的設(shè)計和普通版本也有所區(qū)別，OpenAI官方發(fā)布了一則提示：

• 提示詞應(yīng)簡單且直接
• 避免在提示詞中使用思維鏈
• 使用分隔符讓promot更清晰
• 控制RAG內(nèi)容的長度

回到我們的測試，面對其他幾個大模型敗北名場面，o1也有不小的進(jìn)步。

比如在數(shù)字母的任務(wù)上就有所進(jìn)化，即使是一串亂打的字母也能數(shù)對。

還有面對經(jīng)典的“反轉(zhuǎn)詛咒”（即知道A是B卻不知道B是A）問題，也終于一次性答對了Mary Lee Pfeiffer（湯姆·克魯斯的母親）的兒子是誰。

One More Thing

關(guān)于這次發(fā)布的o1，除了各個方面的成績之外，還有一些其他的發(fā)現(xiàn)。

比如前特斯拉自動駕駛負(fù)責(zé)人、兩度進(jìn)入OpenAI又兩度離職的大神Andrej Karpathy發(fā)現(xiàn)，o1-mini在被要求證明黎曼猜想的時候出現(xiàn)了拒絕回答的情況，表示大模型“犯懶”依然是一個大問題。

還有網(wǎng)友說覺得mini的表現(xiàn)比preview好，想問下有沒有人知道原因或者有啥看法。

這條消息也把奧特曼吸引了過來，回復(fù)了一句“Yes I have one”。

根據(jù)OpenAI內(nèi)部員工Kevin Lu發(fā)布的一則推文來看，mini的性價比確實(shí)比preview更高。

根據(jù)這張圖顯示，preview版本論性能比不上尚未公布的滿血o1，論經(jīng)濟(jì)性又比不上mini。

順便提一句，preview版本存在消息數(shù)量限制，并且數(shù)量是按周進(jìn)行重置的，幾輪測試下來已經(jīng)快要用盡了。

參考鏈接：
[1]https://x.com/rowancheung/status/1834300353619075494
[2]https://x.com/karpathy/status/1834374965942255835
[3]https://x.com/sama/status/1834381401380294685
[4]https://x.com/_kevinlu/status/1834278160038592633