圣诞节前,人工智能巨头上演了一场精彩的推理模型攻防战。谷歌和OpenAI正面对垒,谷歌刚发布自家的先进推理模型挑战OpenAI的o1,第二天,OpenAI就推出了升级版的最强推理模型o3。
美东时间12月20日周五,在为期12个工作日的线上新品发布活动最后一日,OpenAI宣布了“压轴大作”:o1的下一代模型o3,而且一开始就要推出两个版本,一个正式的o3,还有一个相对较小的精简版o3-mini。
OpenAI的CEO Sam Altman在直播中提到,OpenAI本次12日的活动第一天官宣了上线正式版o1、所谓满血o1。活动最后一天又有o3亮相,首尾都由介绍推理模型呼应,也算是一种精心设计。
逻辑上说,o1的下一代应该命名为o2,至于为什么新模型叫o3,之前媒体称,OpenAI是为了避免和名为O2的英国电信服务商冲突。Altman也确认了这点,说出于对O2的尊敬,并没有起同样的名字。
直播中,Altman称o3是“一个非常、非常聪明的模型”。OpenAi的评估结果也显示,无论在软件工程、编写代码,还是竞赛数学、掌握人类博士级别的自然科学知识能力方面,o3都明显高出o1一筹。同时测试显示,o3在OpenAI实现通用人工智能(AGI)这一奋斗目标上取得了突破,最高的测试成绩达到了类人水平。
o3软件工程测试准确率比o1高近47% 竞赛数学高15% 人类博士专家级生化物高近13%
今年9月,OpenAI 发布o1的预览版o1 preview时称,o1是第一个具备真正通用推理能力的大模型,它的核心能力推理在测试化学、物理和生物学专业知识的基准GPQA-diamond上得到了充分体现。据OpenAI评估,o1在该测试中全面超过了人类博士专家,准确率达到78.3%,而人类专家的得分为69.7%。
本周五的直播中,OpenAI展示了o3的测评表现:
根据OpenAI8月推出的SWE-bench Verified代码生成评估基准,在软件工程的能力测评中,o3的准确度得分71.7,即准确率71.7%,远超得分48.9的o1和得分41.3的o1 preview。也就是说,o3的准确率比o1正式版高将近47%,比o1预览版高将近74%。
在竞争性编程网站Codeforces的竞争性代码测评中,o3取得2727的Elo评分,o1评分1891,o1 preview评分1258。这个测评结果显示,竞争性代码方面,o3的评分比o1正式版高44%,是o1预览版的两倍多。
经过2024年AIME数学竞赛的题目测试,o3的准确度得分为96.7、即准确率96.7%,o1和o1 preview分别得分83.8和56.7。从竞赛数学的角度看,o3的准确率比o1正式版高15%,比o1预览版高近71%。
以人类博士专家的测试考验,在测试化学、物理和生物学专业知识的基准GPQA-diamond上,o3的准确度得分为87.7,即准确率87.7%,o1和o1 preview分别得分78.0和78.3。o3的准确率比o1高将近13%,比o1预览版高12%。
迈向类人智能取得突破 AGI相关测试最佳成绩达到人类水平
除了以上和o1对比的编码、数学、自然科学测评结果,OpenAI周五还展示了,o3的推理能力已经更加接近实现AGI。
OpenAI对o1和o3都进行了名为ARC-AGI的测试。ARC-AGI是一项旨在评估 AI 系统是否能有效在其训练数据之外获得新技能的测试,运用半私有评估集验证的测评结果。
下图可见,以100%为最高分的ARC-AGI评估结果显示,o1的得分在25%到32%,而o3的最低成绩为75.7%,最高成绩为87.5%。从这个结果看,o3的最佳成绩超过了标志着达到人类水平的门槛85%。
创始ARC-AGI标准的前谷歌高级工程师、AI研究员François Chollet表示,OpenAI这些推理模型在AGI测试中取得进步是“稳健的”。
Chollet周五在社交媒体X发帖,公布了同OpenAI合作进行的ARC-AGI测试结果,称“我们相信这代表了让AI适应新任务的重大突破。”
Chollet解释说,在低计算模式下、即计算中每个任务 20 美元的半私人评估中,o3的得分为 75.7%,在高计算模式下、即每个任务数千美元的评估中,o3的得分为 87.5%。它不仅仅是蛮力,它是新领域的功能,需要科学领域认真关注。
OpenAI计划明年初发布o3 可能一段时间内都不会面向大众上线
虽然o3的测评看上去表现惊艳,但OpenAI应该不会很快面向大众上线这款新的超级推理模型。
从本周五开始,OpenAI允许安全研究人员可以注册访问o3 和 o3-mini的预览。OpenAI的一名发言人本周五称,OpenAI计划明年初正式发布这些新的o3模型。
周五的直播中,Altman暗示,o3系列可能在一段时间内都不会向普通大众推广使用。因为他说,在OpenAI正式发布新的推理模型之前,他更希望有一个联邦政府的测试框架,指导监控和减轻此类模型的风险。Altman说,
在OpenAI发布o3之前,“应该有某种联邦测试框架,说明我们最感兴趣的是监控和缓解危害,类似于这里有一组测试,在你发布它之前,你必须能够证明,这种模型在这些方面是安全的,就像你对一种新药或一架新飞机或其他什么的证明一样。”
本周四,谷歌宣布推出全新的测试模型——Gemini 2.0 Flash Thinking。它使用了类似o1模型的慢思维思考方式,可以深度可视化展示整个思维链过程,尤其是在执行数学、编程等复杂问题方面。
相比o1,Gemini 2.0 Flash Thinking的最大差别是,让用户能看到一步一步推理的过程,更清晰、更透明地了解模型如何得出结论。它刚亮相就登上了Chatbot Arena大模型评估的榜首。不过,谷歌的这一新模型还处于实验性阶段,只是一个早期版本。