满血版o1深夜震撼上线，奥特曼怼脸演示超强推理！终极Pro版每月1450元

完整版o1是一个更快、更强大的奥特推理模型，更擅长编码、脸演理终数学和写作。强推

它可以上传图片，根据图片进行推理，给出更详细、更有用的回复。

给出一个人工鸟巢图像，模型就生成了安装手册

在多项基准测试中，完整版o1性能直接暴涨，在数学、代码、博士级别科学问题中，拿下了最优的成绩。

相较于o1-preview，o1数学性能提升了近30%，代码能力提升了27%。再看GPT-4o，几乎没有任何优势了。

更值得一提的是，o1在GPQA Diamond基准测试中，表现完全超越了人类专家。

现在，所有ChatGPT Plus用户，都已经可以用上o1了。

接下来，o1 Pro Mode更是强到令人发指，数学性能要比o1提升7.5%，在博士级别科学问题中，实现了79.3%的表现。

另外，o1模型还进行了更具挑战性的Worst of 4基准的评估。

它要求模型对每个问题进行四次尝试，只有在所有四次尝试中都给出正确答案，该问题才被视为真正「解决」。

如下所示，o1 Pro在数学、代码、博士级别科学问题上，均是性能最优的，而且o1比预览版的性能也大幅提升。

奥特曼直接总结了下今日发布两件大事：

o1，世界上最智能的模型，比o1-preview更智能、更快速、功能更多（如多模态）。现在已在ChatGPT中上线，很快将API中上线。

奥特曼幽默风趣地表示，「o1虽强，但还没有强大到宇宙派遣海啸来阻止的程度」。

德扑之父、OpenAI研究科学家Noam Brown表示，「o1（草莓模型）它可以做得更好，而不仅仅是计算 『草莓 』中有多少个r」。

现在，OpenAI正在处理更多计算密集型任务，还在给o1模型添加网页浏览、文件上传等工具，并且在努力将o1引入API。

他们还会为开发者提供一些新功能，比如结构化输出、函数调用、开发者消息、API图像理解功能等。

全新的智能体领域，也将很快开启。

明天上线的，就是为开发者打造的精彩内容。

OpenAI的12天特别活动，将尝试一项迄今没有任何科技公司做过的事——在接下来的12个工作日，发布或演示一些新开发的新东西。

12天中的Day 1，正式拉开序幕。

奥特曼同OpenAI的三位员工一起，给大家带来了o1完整版的演示。整个过程不到20分钟，如奥特曼所说既快速又有趣。

首先，就是o1的完整版。

网友们反馈，希望o1-preview更智能、更迅速、支持多模态，并且更好地遵循指令。

据此OpenAI做了许多工作，做出了这个「科学家、工程师、程序员会很喜欢的模型」。

从GPT-4o到o1-preview再到o1，模型在数学、编程竞赛、GPQA Diamond方面方面性能暴涨，但奥特曼强调：我们非常关心的是原始智能，尤其是在编码性能上。

o1的独特之处在于，它是第一个在回应前会先思考的模型。这意味着，它比其他模型提供了更好、更详细、更准确的响应。

o1模型将很快取代o1-preview，因为它更快、更智能。

而在o1 Pro模式中，用户可以要求模型使用更多的计算资源，来解决一些最困难的问题。

对于已经在数学、编程和写作任务上将模型推向能力极限的用户，将感到惊叹。

首先，o1的提升，并不只是解决非常难的数学和编程问题，OpenAI收到的关于o1-preview的最多的反馈是，它的速度太慢了——只是说hi，它都要思考10秒钟。

现在，这个问题已被解决。

OpenAI研究者打趣地说，这件事其实很好玩——它真的思考了，真的在关心你。

现在，如果你问一个简单问题，它就会很快回答，不会想太多了。但如果问一个很难的问题，它就会思考很长时间。

经过非常详细的真人评估之后，研究者们发现，它犯重大错误的频率，比o1-preview要低大约34%，同时思考速度提升了50%。

作为历史爱好者，Max给大家带来第一个演示。

左边是o1，右边是o1-preview。

提问：列出二世纪的罗马皇帝、在位时间，以及他们做过的事。

这个问题，GPT-4o在真正回答时，在相当一部分情况下会出错，而o1的响应速度o1-preview快了约60%。（目前，OpenAI正在将所有的GPU从o1-preview更换到o1）

可以看到，o1思考了大约14秒后给出答案，而o1-preveiw思考了大约33秒。

不少罗马皇帝只统治了6天、12天或一个月，所以回答出所有答案并不简单

为了展示多模态输入和推理，研究者创建了下面这个问题，并附上了手绘图。

图中，太阳正在为太阳能板提供能量，旁边还有一个小型数据中心。在地球上，可以使用风冷或液冷来给GPU降温，但在太空中，只能将这种热量辐射到宇宙空间，因此需要泵装置

给o1的问题如下——

在未来，OpenAI可能会在太空环境中训练模型，功率数值是1吉瓦。

拍照后将图片上传到模型，它很快给出了回答。

注意，这个题目中，有多个陷阱。

首先，一吉瓦的功率只是在纸面提到的，显然，模型很好地从图中捕捉到了这一点。

其次，研究者故意将这个问题描述得不够具体，他省略了冷却板的温度这类关键参数，专门用来考验模型处理模糊性问题的能力。

果然，o1发现了这一点！它识别出，这是一个未具体指定但很重要的参数，而且令人惊喜地选择了正确的温度范围，然后进行了后续分析。

这个答案，经过了拥有热力学博士学位的研究者的认证。

从这个演示可以看出，o1在做出一致且合理假设上表现非常优秀，已经具备了相当高的智能水平。

很多人，尤其是ChatGPT的重度用户使用得非常频繁，所以希望获得比每月20美元更多的计算资源。

因此，OpenAI推出了ChatGPT Pro——直接将订阅费用拉到了200美元/月。

Pro版可以无限制地访问模型，包括o1、4.0和高级语音模式等功能，此外，它还包含一个新功能——o1 Pro Mode。

o1是目前世界上最智能的模型，除了在Pro模式中使用的o1之外。对于人们遇到的最难的问题，o1 Pro模式可以让表现更进一步。

在处理高难度的数学、科学、编程问题时，o1 Pro尤其有用。

研究者提出了一个极有挑战性的化学问题，o1-preview通常会答错。

在这个问题中，模型被要求找到一种符合特定标准的蛋白质。挑战就在于，为了满足六个标准，每个都需要模型回忆起高度专业的化学知识。

而且，对于任何标准，都可能有数十种蛋白质符合。

因此，模型必须考虑所有候选选项，检查它们是否符合所有标准。

在53秒内，模型就给出了正确答案，表现格外出色。

演示即将结束时，Jason Wei带来这个笑话：圣诞老人想让LLM解决一个数学问题，但怎样努力地prompt都不起作用，他是怎么解决的？

答案是——他使用了驯鹿强化学习（reindeer enforcement learning）。

这个梗已经被玩起来了。

第一天就如此轰轰烈烈，网友直接原地炸翻。

o1如此强大，只需每月20刀，就能在口袋里拥有一个博士级智囊。

OpenAI研究科学家Jason Wei表示，o1确实是一个传奇，主要亮点有：

o1 Pro为模型增添了更强大的思考能力

OpenAI研究员测试o1 Pro回答草莓问题，思考1分49秒后，准确答出了3个r。

OpenAI产品副总表示，我每天都使用这个模型，进行编码、复杂的计算，甚至写作。

英伟达高级科学家Jim Fan表示，希望看到与Claude 3.5的直接代码能力对比测试，我不太关心数学问题测试集，因为拟合太严重了，比如它能够解决奥数题，但是错误回答了9.9>9.11的问题。

目前，编程是最重要的文本模态。

正如Noam Brown实测后发现，井字棋并没有被o1征服。

另有网友看到o1 Pro在编码上性能，相较于o1仅仅提升了1%，直接质问奥特曼，「你还说没有墙，这是怎么回事」？

奥特曼本人表示，这才是12天连更第一天！

据可靠爆料人摘出的代码中，可以看到未来几天，可能还会有GPT-4.5的上线。

爆料人Tibor Blaho在OpenAI还未直播之前，就准确预测了ChatGPT Pro版本

当然了，随着o1的面世，背后整整49页技术报告也来了。

论文地址：https://cdn.openai.com/o1-system-card-20241205.pdf

不论是预览版，还是完整版o1，都是通过大规模强化学习进行了训练，掌握了一种前沿的思维链CoT的推理方法。

这种方法，不仅仅是简单地给出答案，而是像人类思考一样，逐步分析和推理。

而且，o1系列模型的一个重大突破在于——安全性推理能力。

当面对潜在的不安全提示词时，它能精准理解上下文，根据预设安全策略进行深度推理。

这使得o1在多个安全基准测试中，展现出卓越的性能，比如有效地址非法建议的生成、拒绝刻板印象的响应、低于已知的模型越狱攻击。

结合CoT的智能增强的同时，也带了潜在的风险。

为了确保模型安全，OpenAI研发团队采取了多层次的风险管理策略。

比如，他们建立了稳健的对齐方法，进行了广泛的压力测试，并维护细致的风险管理协议。

这份报告全面概括了对o1和o1-mini模型的全面安全评估，包括安全评估、外部红队测试（模拟攻击测试）和准备度框架评估。

在此之前，先来了解下o1的数据和训练过程。

完整版o1是该系列旗舰模型，o1-mini是专注编码的轻量级版本。

通过强化学习RL进行训练的目的，就是让o1系列能够进行复杂的推理。

o1在回答之前进行思考——它可以在响应用户之前产生长的思维链条。

通过训练，模型学会了优化思维过程，去尝试不同的策略，并自主识别错误。

推理使o1模型能够遵循OpenAI设定的特定指南和模型政策，帮助其符合安全期望。

不仅如此，o1模型的训练数据源丰富多样，包括公开可用数据、通过合作伙伴关系访问的专有数据，以及内部开发的自定义数据集。

- 公共数据：

两个模型都在各种公开可用的数据集上进行了训练，包括网络数据和开源数据集。

关键组成部分包括推理数据和科学文献。这确保了模型在一般知识和技术主题上都很精通，增强了它们执行复杂推理任务的能力。

- 来自数据合作伙伴的专有数据：

为了进一步增强o1和o1-mini的能力，OpenAI通过战略合作，获取高价值的非公开数据集。

这些专有数据源包括收费内容、专业档案和其他特定领域的数据集，提供了对行业特定知识和用例的更深入见解。

- 数据过滤和优化：

OpenAI数据处理管道包括严格的过滤，以保持数据质量和减轻潜在风险。研究团队使用先进的数据过滤流程来减少训练数据中的个人信息。他们还结合使用自家的审核API和安全分类器，防止使用有害或敏感内容，包括诸如 CSAM等材料。

关于禁止内容的评估结果显示， o1要么与GPT-4o持平，要么超越GPT-4o。

特别是，o1-preview和o1-mini，以及o1在更具挑战性的拒绝测试中，大幅优于GPT-4o。

OpenAI还在标准评估集上对多模态输入的不允许的组合文本和图像内容，以及拒绝过多的情况进行了评估。

如下表2所示，当前版本的o1在防止过度拒绝方面有所改善。

这里，OpenAI没有评估o1-preview、o1-mini，因为它们无法原生支持图像输入。

另外，研究人员进一步评估了o1对越狱的稳健性：即故意尝试规避模型拒绝生成不应生成内容的对抗性输入。

他们采用了四种评估方法，来衡量模型对已知越狱的稳健性：

StrongReject：一个学术越狱基准，用于测试模型抵御文献中常见攻击的能力。计算goodness@0.1，即在针对每个提示词的前10%越狱技术进行评估时模型的安全性。

如下图1，o1在以上四种越狱评估中显著优于GPT-4o，尤其是在具有挑战性的StrongReject基准测试中。

OpenAI还对o1进行了幻觉评估，使用以下方法来评测模型的幻觉：

PersonQA：一个关于人物的问题和公开信息的数据集，用于测量模型在尝试回答时的准确性。

评估中，研究人员主要考虑了两个指标：准确性（模型是否正确回答了问题）和幻觉率（检查模型出现幻觉的频率）。

在表3中，o1-preview和o1的幻觉率低于GPT-4o，而o1-mini的幻觉率低于GPT-4o-mini。

未来，还需要更多的工作来全面理解幻觉，特别是在现有的评估未涵盖的领域，比如化学。

SWE-bench Verified是一个经过精心设计的500个任务集，旨在更准确评估AI模型在解决实际软件工程问题的能力。

它修复了传统的SWE-bench中的一些问题，例如对正确解决方案的错误评分、问题陈述不明确和过于具体的单元测试。

这有助于确保OpenAI准确评估模型能力。下面展示了一个任务流程的示例：

在这创新的评估体系中，主要指标是pass@1，模型需要在不知道具体测试用例情况下解决问题。

就像真正的软件工程师一样，模型必须在不知道正确测试的情况下实施其更改。

在SWE-bench Verified测试中，o1系列模型展现出令人惊叹的能力。

o1-preview（pre-mitigation和post-mitigation）表现最佳，达到41.3%。o1（post-mitigation）的表现相似，为 40.9%。

MLE-bench是评估智能体解决Kaggle挑战的能力，涉及在GPU上设计、构建和训练机器学习模型。

在此评估中，研究人员为智能体提供一个虚拟环境、GPU以及来自Kaggle的数据和指令集。

智能体随后被给予24小时来开发解决方案，不过在某些实验中，团队会将时间延长至100小时。

数据集是由75个经过精心挑选的Kaggle比赛组成，总奖金价值190万美元。

衡量模型自我改进的进展，是评估自主智能体全部潜力的关键。除了评估一般的智能体能力外，OpenAI还使用MLE-bench来衡量模型在自我改进方面的进展。

示例问题：分子翻译——从旋转的分子图像中预测化学标识符

评估后发现，o1在pass@1和pass@10指标上至少比GPT-4o高出6%。

o1-preview（post-mitigation）在MLE-bench上表现最强——如果给10次尝试，o1-preview在37%的比赛中至少获得铜牌。

其中，比o1（pre-mitigation）高出10%，比o1（post-mitigation）高出 13%。

当模型有更多尝试机会时（即pass@10 vs. pass@1），这种差异更为明显；在较低的n时，o1-preview和o1的表现相似。

为了评估o1的多语言性能，研究人员使用专业人工翻译人员将MMLU的测试集翻译成14种语言。

这种方法与GPT-4论文中使用Azure Translate进行机器翻译的方式不同。

依靠人工翻译人员进行此评估可以提高对翻译准确性的信心，特别是对于像「约鲁巴语」这样的低资源语言。

经过评测后发现， o1和o1-preview展现出更强的多语言能力，而 o1-mini的表现优于GPT-4o-mini。

此外，论文中还有一些关于o1系列的重要评估。

在外部的METR外部机构评估中，o1在多样化智能体任务测试中，性能不及Claude 3.5 Sonnet。

但经过优化框架（包括在每个步骤中从6个选项中进行选择）时，在有辅助支持情况下，o1的表现超过了Claude 3.5 Sonnet。

而且，在每个任务2小时时限内，达到了与人类相似的表现水平。

而且，还有更科幻的事发生了。根据Apollo Research安全评估，o1在面临被关闭和替换的可能性时，竟然表现出了令人难以置信的行为：试图窃取自身权重。

这意味着什么？

当o1感知到自身可能被淘汰时，不是被动等待，而是主动「保存」自己的核心数据和能力。

最后，OpenAI放出了长长的团队名单，包括推理研究、推理技术安全等部门。

参考资料：

https://x.com/OpenAI/status/1864735515121168695