​北京时间9月13日凌晨，OpenAI突然深夜炸场，发布了一款名为o1的新模型

本次发布的o1模型包括两种版本o1-preview 和 o1-mini。虽然目前还没有浏览网页、上传文件或图片等功能，但其推理能力有了显著提升，主要体现在数据分析、数学和编程方面。OpenAI称，这是它目前为止推理能力最好的模型，o1 在编程竞赛题（Codeforces）中排名第 89 位，在美国数学奥林匹克预选赛（AIME）中跻身全美前 500 名学生行列，在物理、生物和化学问题（GPQA）BenchMark测试中的准确率超过了人类博士水平。

但是，o1模型并没有全方位碾轧其他的大语言模型，它只是理科很强，在文本生成这类文科向的任务上，GPT-4o仍保持优势。

慢推理和思维链

o1主要采用了一种名为「思维链」（Chain of Thought，CoT）的方案，即把一个复杂的问题拆解为若干子问题，以此来提升推理能力。o1模型的性能与训练时的计算量以及测试时的计算量呈显著正相关。

图注：o1 的性能随着训练时间和测试时间的计算而平稳提高

CoT是大模型推理阶段的一个关键概念。对于一些复杂问题（比如数学问题），大模型的准确率很低，如果在模型给出最终回答之前，把中间逐步的推理步骤显式输出，能够增强其推理能力。常见的做法是在基模型的基础上做CoT的增强，比如使用包含CoT的提示词，相当于给了大模型具体的解题思路。

而OpenAI的做法是将CoT内置到了基模型中，让o1模型拥有更接近人类的思考过程，而不仅仅是存储和检索信息。然后o1模型会在明确的奖励制度下，不断试错并自我纠正，最终生成更准确、更高质量的结果。

但更好的推理能力是有代价的，更长的推理环节让o1模型的响应速度变慢，一个稍微复杂点的问题就需要花费10多秒来处理。对于那些已经习惯了模型及时响应的用户来说，o1的使用体验可能并不友好。

物理化碾压GPT-4o，IOI金牌水平

大语言模型（如 o1）常基于大量文本数据集上进行预训练。虽然这些大模型具有较多的知识容量，但对于实际应用程序来说，它们可能成本高昂且速度缓慢。

相比之下，o1-mini 是一个较小的模型，针对 STEM 推理（即，将科学（Science）、技术（Technology）、数学（Mathematics）和工（Engineering）推理四个领域的知识和技能结合起来进行分析和推理）在预训练期间进行了优化。使用强化学习 （RL）方法进行训练后，o1-mini 在许多的推理任务上实现了性能提升，同时显著提高了成本收益。

在需要智能和推理的BenchMark测试中进行评估时，与 o1-preview 和 o1 相比，o1-mini 表现良好。不过，o1-mini 在需要非科学、技术、工程和数学知识的任务中表现较差（见局限性）。

为了突出与 GPT-4o 相比在推理方面的改进，Open AI公司在一系列不同的人类考试和人工智能BenchMark上测试了该模型。结果表明，在绝大多数推理繁重的任务中，o1模型都明显优于 GPT-4o。

图注：o1 在较难的推理BenchMark上比 GPT-4o 有很大提高。实线表示pass@1(代码生成模型评价指标)的准确率，阴影区域表示 64 个样本的共识性能。

图注：o1 在各种BenchMark（包括 54/57 个 MMLU 子类别）上的性能均优于 GPT-4o。

在许多推理能力较强的BenchMark测试中，o1 的表现可以与人类专家相媲美。 在 2024 年的 AIME 考试中，GPT-4o 平均只解决了 12% （1.8/15）的问题。而o1模型则可以达到 13.9 分的成绩，并跻身全国前 500 名，超过了美国数学奥林匹克竞赛的分数线。

在GPQA-diamond 的问题测试中，o1 的表现超过了人类专家，成为第一个在这一BenchMark上做到这一点的模型。这些结果并不意味着 o1 在所有方面都比博士更有能力--只是说明该模型在解决博士有望解决的某些问题时更加熟练。

在其他几项人工智能BenchMark测试中，o1 的表现也超过了最先进的水平。启用视觉感知功能后，o1 在 MMMU 中的得分率达到 78.2%，成为首个能与人类专家竞争的模型。在 57 个 MMLU 子类别中的 54 个类别上，它的表现也优于 GPT-4o。

该模型在 2024 年国际信息学奥林匹克竞赛（IOI）中获得 213 分，排名第 49 位。还模拟了由 Codeforces 主办的编程竞赛，以展示该模型的编码技能。GPT-4o 的 Elo 评分3 为 808，在人类选手中排名第 11 位。Open o1模型远远超过了 GPT-4o ，优于 93% 的竞争对手。

图注：编程竞赛的进一步微调提高了 o1，在 2024 年国际信息学奥林匹克竞赛中排名提高到第 49 位。

除了考试和学术BenchMark外，还评估了人类对 o1-preview 和 GPT-4o 的偏好，即在广泛领域中具有挑战性的开放式提示上。在数据分析、编码和数学等推理能力较强的类别中，o1-preview 比 GPT-4o 更受青睐。

然而，o1-preview 在一些自然语言任务中并不受欢迎，这表明它并不适合所有的使用情况。在经典的9.11和9.9哪个数字大的问题上，o1还是翻了车。

图注：o1-preview 9.11与9.9的新一代受害者？

在那些能从更好的推理中受益的领域，人们更喜欢 o1-preview。o1 极大地推动了人工智能推理领域的最新发展。OpenAI公司计划在不断迭代的过程中推出该模型的改进版本。o1 及其后续产品将为科学、编码、数学和相关领域的人工智能带来许多新的用例。

图注：OpenAI o1模型和其他模型在各个数据集上的表现

推理成本仍然高昂

ChatGPT Plus 和 Team 用户将可以在 ChatGPT 中访问 o1 模型。o1-preview 和 o1-mini 都可以在模型选择器中手动选择，在本次推出时，o1-preview 的每周费率限制为 30 条消息，o1-mini 为 50 条消息。且API仅开放给第五级用户（已经消费了1000美元及以上且付费超过1个月的开发者）。o1-preview的定价明显更高，每百万输入token 15美元，每百万输出token 60美元，分别是GPT-4o的3倍和4倍，不仅限制了条数而且推理成本很高。

网友实测

大模型的阿尔法狗时刻？

o1系列模型的独特之处在于，其在答复问题前会花费更多时间进行「深度思考」，这与人的思考方式相似。经过训练，这些模型能够不断优化自己的思考方式，试验多种解决方案，并主动发现并纠正错误。

网友提供了OpenAI o1 根据prompt对视频游戏进行编码。

遇事不决，量子力学？

有网友尝试用o1解决量子引力问题，居然获得到目前为止最长的回复：整整68秒的思考！

是鸡生蛋还是蛋生鸡？

更有大V saurabh Chalke 使用GPT-o1的强大能力生成了一个全息着色器。

o1模型引领大模型算力需求的二次爆发

OpenAI 最新发布的 o1 系列模型标志着人工智能在复杂推理能力上的重大飞跃。o1 模型通过强化学习训练，能够在回答问题前进行深入的思考，类似于人类的“慢思考”过程。这种模型不仅在数学和编码任务上表现出色，而且在物理、化学和生物学等科学领域的基准测试中超越了人类博士生的水平。o1 模型的推理能力使其在多个行业中具有广泛的应用潜力，尤其是在需要处理复杂科学、数学和编程任务的场景中。

o1的适时亮相，实则是蕴含了OpenAI深远的战略考量。面对GPT-5即将采用的“双轮驱动”模式——即规模扩展（scaling）与思维链（o1）的深度融合，巨大的资源需求成为不可忽视的挑战。据估算需调动高达10万颗B200集群算力，这个算力使用量的资金缺口直指百亿美元大关。o1的推出，无疑为这一宏伟蓝图铺设了坚实的基石，再次引爆大模型算力需求市场。