前几天传的沸沸扬扬的 strawberry 草莓模型终于来了，OpenAI叫他o1。
OpenAI o1 可以通过复杂的任务进行推理，并解决比以前的科学、编码和数学模型更难的问题。
它是如何运作的
通过训练模型学会完善自己的思维过程，尝试不同的策略，并认识到自己的错误。
模型在物理、化学和生物学方面具有挑战性的基准任务上的表现与博士生类似。
作为早期模型，它尚不具备 ChatGPT 的许多有用功能，例如浏览网页以获取信息以及上传文件和图像。
对于许多常见情况，GPT-4o 在短期内将更加强大。
在国际数学奥林匹克（IMO）资格考试中，GPT-4o 只正确解决了 13% 的问题，而推理模型的得分为 83%。
他们的编码能力在竞赛中得到评估，并在 Codeforces 竞赛中达到了第 89 个百分点。
它是给谁用的
如果您正在解决科学、编码、数学和类似领域的复杂问题，这些增强的推理能力可能特别有用。
医疗保健研究人员可以使用 o1 来注释细胞测序数据，物理学家可以使用 o1 生成量子光学所需的复杂数学公式，所有领域的开发人员可以使用 o1 来构建和执行多步骤工作流程。
OpenAI o1-mini
还发布了OpenAI o1-mini ，这是一种更快、更便宜的推理模型，在编码方面特别有效。
作为较小的模型，o1-mini 比 o1-preview 便宜 80%
如何使用OpenAI o1
从今天开始**，ChatGPT Plus 和 Team**用户将能够访问 ChatGPT 中的 o1 模型。
o1-preview 的每周速率限制为 30 条消息，o1-mini 的每周速率限制为 50 条。
符合API 使用第 5 层资格的开发人员今天可以开始使用 API 中的两种模型进行原型设计，速率限制为 20 RPM。
接下来是什么
除了模型更新之外，希望添加浏览、文件和图像上传等功能。
除了新的 OpenAI o1 系列之外，还计划继续开发和发布 GPT 系列中的模型（还有活）。
Jim Fan 的评价
- 你并不需要一个巨大的模型来进行推理。大量的模型参数用于存储和记忆事实，从而在类似 Trivia QA 这样的基准测试中表现出色。
- 大量的计算资源正在从前/后训练转移到推理服务。大语言模型本质上是基于文本的模拟器。通过在模拟器中模拟多种策略和场景，模型最终将收敛到有效的解决方案。
- OpenAI 很可能早已发现推理扩展的规律，而学术界最近才开始深入研究。上个月有两篇论文相隔一周在 Arxiv 上发表：
- 《Large Language Monkeys: Scaling Inference Compute with Repeated Sampling》。Brown 等人发现，DeepSeek-Coder 在 SWE-Bench 基准测试中的准确率从单次采样的 15.9% 提升至 250 次采样的 56%，超越了 Sonnet-3.5。
- 《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》。Snell 等人指出，PaLM 2-S 在数学问题上的表现，通过测试时的搜索策略，击败了一个大 14 倍的模型。
- 将 o1 投入生产要比在学术基准测试中取得成功更具挑战性。对于现实世界中的推理问题，如何判断何时停止搜索？奖励函数应该如何定义？成功的标准是什么？何时应该在循环中调用像代码解释器这样的工具？如何权衡这些 CPU 过程的计算成本？他们的研究报告并没有透露太多细节。
- Strawberry 可能会迅速演变为一个数据驱动的良性循环。如果搜索得到正确答案，那么整个搜索过程就会成为一个微型的训练数据集，其中包含正负奖励信号。
这将反过来增强未来版本 GPT 的推理核心，类似于 AlphaGo 的价值网络——用于评估每个棋盘位置的优劣——随着蒙特卡洛树搜索生成越来越多精细的训练数据而不断优化。
LLM的新范式真的来了，看其他家的出牌吧
