能力追上博士生，OpenAI发布最强o1系列模型

9月13日凌晨1点，OpenAI发布o1系列模型，包括o1-preview（下称o1预览版）和o1-mini。针对这一消息，该公司创始人Sam Altman在X上表示：“no more patience, jimmy.（需要耐心等待的时刻结束了）”

OpenAI表示：“该模型代表了人工智能能力的新水平。鉴于此，我们将计数器重置为1，并将该系列命名为o1。”这也意味着，o1就是此前坊间盛传即将发布的“草莓”模型。

作为早期模型，o1模型还不具备ChatGPT的许多实用功能，例如浏览网页信息以及上传文件和图片。但OpenAI强调，“对于复杂的推理任务来说，这是一个重大进步。”

目前，ChatGPT Plus和Team用户已经能够在ChatGPT中访问o1模型，但每周发送消息次数限制为o1预览版30条消息和o1-mini50条消息。ChatGPT Enterprise和Edu用户将从下周开始使用这两种模式。

此外，符合API使用等级5的开发人员已经可以开始使用API中的两种模型进行原型设计，速率限制为20RPM，这些模型的API目前不包括函数调用、流式传输、对系统消息的支持和其他功能。

ChatGPT会员被分为Plus、Team、Pro三档，每月订阅价格分别为20美元、60美元（最低）、200美元。值得一提的是，就在o1模型发布前一天，OpenAI刚刚上线ChatGPT Pro会员版，售价高达200美元/月。

该公司表示，o1模型在物理、化学和生物学的具有挑战性的基准任务上的表现达到博士生水平。同时，在数学和编码方面表现出色。在国际数学奥林匹克(IMO)资格考试中，GPT-4o仅正确解决了13%的问题，而o1推理模型得分为83%；o1编码能力在Codeforces比赛中达到89%。

相较于早期模型，o1模型展示了强大的能力，美国数学邀请赛2024（AIME）中， GPT4o、o1 预览版、o1正式版的准确率分别为13.4%、56.7%、83.3%。

在Codeforces代码比赛中，GPT4o、o1 预览版、o1正式版的Codeforces准确率分别为11.0%、62%、89%。

在回答博士级科学问题 (GPQA Diamond)对比上，GPT4o、人类专家、o1的准确率是56.1%、69.7、78%。

图源：OpenAI

Sam Altman在X上表示，o1模型的的微调版本在国际信息学奥林匹克竞赛（IOI）中得分为49分，并且每个问题有10000次提交，获得金牌。

OpenAI指出，o1模型的增强推理能力在解决科学、编码、数学和类似领域的复杂问题特别有用。例如医疗研究人员可以使用o1来注释细胞测序数据，物理学家可以使用o1来生成量子光学所需的复杂数学公式，开发人员可以使用o1来构建和执行多步骤工作流程。

o1系列模型擅长准确生成和调试复杂代码。不过，OpenAI也指出，大型语言模型（例如o1）是在大量文本数据集上进行预训练的。虽然这些高容量模型具有广泛的世界知识，但对于实际应用而言，它的成本高昂且速度缓慢。

为此，OpenAI还发布了更具性价比的推理模型——o1-mini，作为一款较小的模型，o1-mini比o1预览版便宜80%。

具体到价格方面，o1预览版API每百万输入15美元，每百万输出60美元；o1-mini则是每百万输入3美元，每百万输出12美元。

作为对比，gpt-4o每百万万输入2.5美元，每百万输出10美元；gpt-4o-mini每百万万输入0.15美元，每百万输出0.6美元。

在需要推理而无需广泛世界知识的领域，o1-mini将是一种更快、经济高效的模型。OpenAI建议，ChatGPTPlus、Team、Enterprise和Edu用户可以使用o1-mini作为o1预览版的替代方案，具有更高的速率限制和更低的延迟。

o1-mini在STEM能力（自然科学、技术、工程和数学）方面，尤其在数学和编码——在AIME和Codeforces等评估基准上的表现几乎与o1相当。在一些需要推理的学术基准上，例如GPQA（科学）和MATH-500，o1-mini的表现优于GPT-4o。由于缺乏广泛的世界知识，o1-mini在MMLU等任务上的表现不如GPT-4o，在GPQA上落后于o1预览版。

在需要智能和推理的基准测试中，o1-mini的表现优于o1预览版和o1，但其在需要非STEM事实知识的任务上表现较差。

数学能力方面，在高中AIME数学竞赛中，o1-mini（70.0%）与o1（74.4%）相当，同时价格便宜得多，且成绩优于o1预览版（44.6%），o1-mini的得分（约11/15个问题）大约位列美国高中生前500名。

o1在高中AIME数学竞赛表现。图源：OpenAI

编码方面，在Codeforces竞赛网站上，o1-mini的Elo得分为1650，与o1的1673分不相上下，且高于o1预览版的1258。这一得分使该模型在Codeforces平台上竞争的程序员中处于前86%。

人类偏好评估方面，在推理能力较强的领域，o1-mini比GPT-4o更受欢迎，但在以语言为中心的领域，o1-mini并不比GPT-4o更受欢迎。

由于o1-mini专注于STEM推理能力，其关于日期、传记和琐事等非STEM主题的事实知识可与GPT-4omini等小型LLM相媲美。该公司将在未来版本中改进限制，并尝试将模型扩展到STEM之外的其他模态和专业。

OpenAI计划向所有ChatGPTFree用户提供o1-mini访问权限。除了新的OpenAIo1系列之外，该公司还计划继续开发和发布GPT系列中的模型。

该公司还特别强调了AI安全问题，为了适应这些模型的新功能，OpenAI加强了安全工作、内部管理和联邦政府合作。OpenAI最近与美国和英国的人工智能安全研究所正式达成协议。

在开发这些新模型的过程中，OpenAI提出了一种新的安全训练方法，利用它们的推理能力，使它们遵守安全和协调准则。衡量安全性的一种方法是测试当用户试图绕过安全规则（下称“越狱”）时，在最严格的越狱测试中，GPT-4o得分为22（0-100分制），而o1预览模型得分为84。