o1 模型發(fā)布 1 周，lmsys 的 6k + 投票就將 o1-preview 送上了排行榜榜首。同時，為了滿足大家對模型「IOI 金牌水平」的好奇心，OpenAI 放出了 o1 測評時提交的所有代碼。
萬眾矚目的最新模型 OpenAI o1，終于迎來了 lmsys 競技場的測評結(jié)果。不出意外，o1-preview 在各種領(lǐng)域絕對登頂，超過了最新版的 GPT-4o，在數(shù)學(xué)、困難提示和編碼領(lǐng)域表現(xiàn)出色；
而 o1-mini 雖然名字中自帶「mini」，但也和最新版的 GPT-4o 并列綜合排名第二，困難提示、編碼、數(shù)學(xué)等領(lǐng)域和 o1-preview 同樣登頂?shù)谝弧?/p>
果然，o1 模型不愧是通用推理領(lǐng)域的新王。lmsys 社區(qū)官方發(fā)推表示，這項(xiàng)測試結(jié)果收集了 6k + 社區(qū)投票，并將 OpenAI 這次取得的進(jìn)展描述為「令人難以置信的里程碑」。
單純看排行榜的排名可能不夠具有說服力，于是 lmsys 特意統(tǒng)計(jì)了總榜上前 25 名模型的 1v1 勝率。
可以看到，o1-preview 對所有模型的勝率都超過了 50%，對比 04-09 版 GPT-4-Turbo 的勝率最高，達(dá)到了 88%。
o1-mini 如果對戰(zhàn) o1-preview，勝率為 46%，對 09-03 版 GPT-4o 的勝率為 48%，可以說是大體平手、稍遜一籌的狀態(tài)。
值得注意的是，雖然 Grok-2-mini 和 Claude 3.5 Sonnet 都排在比較靠后的位置，但 o1-preview 對這兩個模型的勝率并不高，分別是 58% 和 57%，大大小于排名第四的 Gemini 1.5 Pro 的 69%。
如果看到細(xì)分領(lǐng)域的排行榜，尤其是數(shù)學(xué) / 推理領(lǐng)域，效果則更加驚艷。o1-preview 和 o1-mini 不僅是登頂數(shù)學(xué)排行榜，而且是體現(xiàn)出了絕對的領(lǐng)先優(yōu)勢。
排在第三、第四的 Claude 3.5 Sonnet、Gemini 1.5 Pro 和 08-08 版 ChatGPT-4o 的均分都在 1275 左右，不相上下；o1-preview 和 o1-mini 則一騎絕塵，分?jǐn)?shù)飆到 1360 附近，直接碾壓。
o1 推理團(tuán)隊(duì)的領(lǐng)導(dǎo)者之一 William Fedus 看到這張圖也是相當(dāng)開心，他表示這張圖「很好地用視覺表達(dá)了范式轉(zhuǎn)換」。
看來最新的 o1 模型在 STEM 學(xué)科和通用推理方面的確又達(dá)到了新高度，用實(shí)際測評結(jié)果回應(yīng)了「AI 遇冷」、「OpenAI 碰壁」的質(zhì)疑聲。
「那就繼續(xù)期待 OpenAI 接下來的發(fā)布吧！」
但一些人感嘆「未來可期」的同時，另一些人想到了自己不多的智商和頭發(fā)。
「模型搞得這么好了，測試就不適合我這種蠢人了?！?/p>
同時，也有一些人表達(dá)了對 lmsys 排行榜結(jié)果的質(zhì)疑。
比如，眾所周知的 o1 模型推理時間長，因而回答的延時也長，和其他模型都有明顯差別；而且不同于各類基準(zhǔn)測試的客觀標(biāo)準(zhǔn)，lmsys 社區(qū)中完全基于用戶的主觀評分，難說這里面是否存在「安慰劑效應(yīng)」。
也有人不服 o1 在編碼排行榜上的第一，認(rèn)為雖然 o1-mini 非常適合進(jìn)行項(xiàng)目規(guī)劃，但在 Cursor 這類編碼助手中還是 Claude 模型的表現(xiàn)最佳。
排行榜的結(jié)果當(dāng)然不是全部，o1 模型能否繼續(xù)贏得口碑，同時保持住智力水平不變蠢，還要看接下來的一段時間。
IOI 金牌代碼全公開
說到 o1 模型的編碼能力，不知道你還是否記得，剛發(fā)布時 OpenAI 提到了這樣一個指標(biāo)：如果放寬提交約束到每個問題允許 1 萬次提交，o1 可以達(dá)到高于 IOI 金牌門檻的分?jǐn)?shù)。
在模擬進(jìn)行的 Codeforces 編程競賽中，使用相同的規(guī)則進(jìn)行評估，o1-preview 可以打敗 62% 的人類選手，正式版 o1 則上升到超越 89% 的對手。
專門微調(diào)過的 o1-ioi 模型，表現(xiàn)優(yōu)于 93% 的競爭對手。
此外，前段時間有用戶在實(shí)時的 Codeforces 比賽中使用了 o1 模型，結(jié)果是超越了 99.8% 的人類選手。
由于 o1 在編程競賽領(lǐng)域的表現(xiàn)如此突出，引起了 AI 社區(qū)強(qiáng)烈的興趣和好奇，OpenAI 于是選擇發(fā)布 o1 模型提交的代碼內(nèi)容，包括 6 個問題的全部 C++ 代碼以及注釋。
對于 o1 的驚艷表現(xiàn)，Alexander Wei 自己都很驚訝。
他本人在 9 年前曾參加 IOI 競賽，但從未想到自己這么快就需要和 AI 競爭，模型展現(xiàn)出的推理過程的復(fù)雜程度令人印象深刻。
博文表示，雖然 o1 模型距離人類的頂級表現(xiàn)還有很長的一段路要走，但我們期待有一天能實(shí)現(xiàn)這個目標(biāo)。
這個發(fā)展軌跡讓人想起了 AlphaGo—— 從水平高超，到能和人類頂級高手不分勝負(fù)，再到 5-0 完全碾壓李世石。
OpenAI 想要達(dá)成的，估計(jì)就是究極進(jìn)化的、能在編程上碾壓人類頂級高手的 AlphaZero。
此處公布代碼的 6 個問題具體如下：
有網(wǎng)友指出，其中最令人印象深刻的應(yīng)該是象形文字（hieroglyphs）問題，o1 模型總共得到 44 分，在現(xiàn)場的所有選手中排名第四。這表明，模型或許可以破譯一些人類無法解決的子任務(wù)。
前幾天，一位目前在 NASA 工作的天體物理學(xué)博士就嘗試讓 o1 復(fù)現(xiàn)自己論文中的代碼，結(jié)果一試嚇一跳 —— 自己讀博時花了 1 年寫出的代碼，o1 只用了一小時就寫完了。
這還只是裸模型，如果加上代碼解釋器、網(wǎng)絡(luò)實(shí)時搜索等各種工具，效果想必更加驚艷。
而且，Reddit 網(wǎng)友還送來了溫馨提示：這只是 o1 預(yù)覽版哦，可以狠狠期待一下不到一個月就即將問世的正式版 o1 了。
此外，這位網(wǎng)友還表示，o1 基本沿用了 GPT-4 的架構(gòu)；那你想，改換架構(gòu)后的 GPT-5（也就是傳說中的獵戶座）能達(dá)到什么高度。
參考資料：
https://x.com/lmsysorg/status/1836443278033719631
https://codeforces.com/blog/entry/134091
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。