警告!不要在ChatGPT里问最新o1模型是怎么思考的——
只要尝试几次,OpenAI就会发邮件 威胁撤销你的使用资格 。
大模型新范式o1横空出世不到24小时,就已经有不少用户反馈收到这封警告邮件,引起众人不满。
有人反馈只要提示词里带“reasoning trace”、“show your chain of thought”等关键词就会收到警告。
甚至完全避免出现关键词,使用其他手段诱导模型绕过限制都会被检测到。
也有人声称自己真的被封号了,为期一周。
这些用户都在试图套话o1,让他复述出 完整的内部思维过程 ,也就是全部原始reasoning tokens。
目前,大家在ChatGPT界面通过展开按钮 看到的 ,只是一份对原始思维过程的 摘要 。
实际上,在o1发布时OpenAI就给出了隐藏模型完整思维过程的理由。
总结一下:OpenAI内部需要监测模型的思维过程,因此不能在这些原始tokens中加入安全限制,也就不方便让用户看到。
不过这个理由并不是所有人都认可。
有人指出, o1思维过程就是其他模型最好的训练数据 ,所以OpenAI不想这些宝贵数据被别的公司扒走。
也有人认为这说明o1真的没有什么护城河,一旦思维过程暴露就很容易被别人复制。
以及“这是让我们只需盲目相信AI的答案,不用做出任何解释吗?”
对于o1模型背后的技术原理,这次透露的相当少,有效信息几乎只有“用了强化学习”。
总之,OpenAI是越来越不Open了。
o1就是草莓,但并非GPT-5
目前可以确定o1就是OpenAI炒作很久了的 “草莓” ,或者说是用了“草莓”所代表的方法。
但他可以算作下一代模型GPT-5么,还是只是GPT-4.X?
越来越多的人开始怀疑,它只是基于GPT-4o做的工程调整。
知名爆料账号Flowers(原Flowers from the future)称, OpenAI员工内部把o1称做“带推理的4o” 。
并且 他声称很多OpenAI员工默默点赞了这条爆料 ,上面的截图也正是来自OpenAI员工。
但马斯克前一阵把推特改版成除了楼主以外其他人无法看到谁点赞了什么,所以目前还无法证实这条消息。
在OpenAI开发者账号刚刚举办的“有问必答”活动中,Flowers也做了追问。
OpenAI员工在这里回答了很多问题,但回避了这个点赞很多排在前面的问题。
甚至奥特曼本曼刚刚又出来当谜语人,暗示“草莓”已经告一段落,下一款代号 “猎户座”Orion 的新模型还在路上。
此前有消息称“猎户座”是OpenAI的下一代新旗舰模型,由“草莓”也就是o1生成的合成数据训练。
而猎户座正是奥特曼口中“冬季星座”的代表之一。
说回到已发布的o1,围绕它的另一种批评声音是 “不符合科研规范” 。
例如 没有引用之前推理时间计算的相关工作 ,同时也 缺乏与其他公司最先进模型的比较 。
针对前一点,有人指出OpenAI已经不再是一个研究实验室,应该被视为一家商业公司了。
不过针对后一点,既然API发布了,要不要与其他前沿模型比较就由不得你了,很多第三方Benchmark已陆续跑出结果。
在Keras之父举办的100万美金比赛中,o1-preview和o1-mini两个版本在公开测试集上都 超过了自家GPT-4o 。
但o1-preview 只是打了个平手 。
在o1着重宣传的 代码能力 上, 开源结对编程工具aider 团队运行了测试,o1系列也 没有取得明显优势 。
对于整个代码重写任务,o1-preiview取得79.7分,Claude-3.5-Sonnet取得75.2分,o1领先4.5分。
但对于更实用的代码编辑任务,o1-preview反而落后于Claude-3.5-Sonnet,有2.2分的差距。
另外aider团队提示,如果目前想用o1系列替代Claude编程,成本上要高很多。
与OpenAI有合作关系的 “AI程序员”Devin 团队,已经提前拿到了o1访问资格。
由o1系列驱动Devin基础版本,与GPT-4o相比获得非常大的提升。
不过 相比已发布的Devin生产版本还是有较大差距 ,主要是由于Devin生产版本在专有数据上进行了训练。
另外根基Devin团队分享,o1在得出正确的解决方案之前通常会回溯并考虑不同的选项,并且不太可能出现幻觉或自信地错误。
使用o1-preview时,Devin 更有可能正确诊断bug的根本原因,而不是解决问题的症状 。
在更重视数学和逻辑推理的榜单中,o1-preview在代 码单项落后 的情况下,总分上 超过Claude-3.5-Sonnet并拉开明显差距 。
Livebench团队分享这还只是初步结果,因为很多测试中还内置了“请一步一步地思考”等提示词技巧,这并不是使用o1的最佳方法。
在中文大模型综合测评基准 SuperCLUE的中文复杂任务高阶推理测试 中, o1-preview的推理能力也大幅领先 。
最后总结一下,使用o1模型还需要注意的一些地方:
总之围绕OpenAI新模型o1,开发者社区还有很多疑问。
o1开启了AI高阶推理的新范式,但它本身还不算完善,如何发挥他的最大价值还有待探索。
在此背景下,OpenAI举办的“有问必答”活动,在4个小时内就收到上百条提问。
下面附上对整场活动内容的精选和总结。
OpenAI员工“有问必答”
首先对于这个突然发布的新模型,很多人好奇为什么OpenAI给它取了o1这样一个名字?
这是因为在OpenAI看了,o1代表了AI能力的一个新的层级,因此对“计数器”进行了重置,而o则代表OpenAI。
就像o1发布时奥特曼说的,可以进行复杂推理的o1,是一个新范式的开始。
对于其中preview和mini两个版本号,OpenAI科学家也确认了网友的一些猜测——
preview是一个临时版本, 正式版将在未来上线 (实际上preview版本是o1的一个早期checkpoint);而 mini版不保证近期之内会有更新 。
配合OpenAI成员Kevin Lu之前发布的这张图来看,就更加清晰明了了。
与preview相比,mini在某些任务上表现出色,尤其是与代码相关的任务,还可以探索更多的思维链,但世界知识相对少些。
对此,OpenAI科学家赵盛佳的解释是, mini是一个高度专门化的模型,只关注少部分的能力 ,所以可以更深入。
也算是揭晓了之前奥特曼在这个问题上打的一个哑谜。
关于o1的运作方式,OpenAI科学家Noam Brown也明确表示,并非是像部分网友认为的模型+CoT组成的“系统”,而是一个 已经被训练得原生具备生成思维链能力的模型 。
不过推理过程中的思维链会被隐藏,并且官方已经明确了没有向用户展示有关token的计划。
对此OpenAI透露的为数不多的消息是,CoT的相关token是总结性的,且不保证完全和推理过程匹配。
除了推理模式,在这次问答活动中还能够得知, o1与GPT-4o相比可以处理更长的文本,而且未来还会继续增加 。
表现上,在OpenAI内部的测试中, o1显现出了哲学推理能力 , 可以思考诸如“生命是什么?”之类的哲学问题。
研究人员还使用o1创建了一个GitHub机器人,能够将代码ping给所有者以供审核。
当然对于一些非推理性质的任务,比如 创意写作,o1的表现相比GPT-4o提升并不明显,甚至有时还要略逊一筹 。
另外综合一些提问来看,对于网友们关心的一些未上线功能,OpenAI表示正在或有计划研究,但没有明确的上线时间:
性能上,OpenAI也正在着手降低延迟和推理所需时间。
最后是人们,尤其是API用户关心的价格问题,毕竟考虑到将推理过程计入输出token,o1的定价还是比较高的。
OpenAI表示 “将遵循每1-2年降价的趋势” ,并且在使用量限制变得更宽松时,批量API定价也会上线。
网页/APP端的Plus用户,目前则是要受到每周preview30条+mini50条消息的限制。
不过好消息是,就在今天凌晨,由于人们对o1实在太热情,导致很多人很快就把额度用完,所以 OpenAI特例把额度重置了一次 。