实测OpenAI最强模型o1:会做大学数理化 但弱智吧依然难解

2024年09月14日 00:36 次阅读 稿源:量子位 条评论

OpenAI传说中的“草莓”终于正式上线!不仅可以胜任更复杂的推理任务,在数学、代码和其他科学领域也能解决更难的问题。OpenAI这次“无预警发布”震撼了科技圈,o1更是被CEO奥特曼称它为了一种新范式的开始



发布之后,各路大神和网友都纷纷用各种问题测试OpenAI o1的表现:


还有人进行了花式考验,结果被o1强大的推理能力秀到了。

Q:你的回复中有几个字?

A1:这句话有七个字

A2:一共五个字



量子位也进行了一番实测,下面就一起来了解。

推理能力大进化,但还是难敌弱智吧

该说不说,o1虽然在推理能力上取得了很大进步,但面对充满心机的弱智吧问题,还是掉进了人类挖的陷阱


当然了,对于正经问题,o1的表现还是很强的,首先看看逻辑推理能力。


思考这道题时,preview和mini分别用时21秒和14秒,不过从文本上看mini思考得反而更多。

其中还出现了一些西里尔字母乱入,不过对整体影响不大。


最终,二者也都给出了正确的答案——丙。

值得注意的是,mini(右)的解答当中还出现了修正的过程。


接下来看下o1在大学数理化题目上的表现。

首先是这道考研数学真题,涉及的知识点是曲面积分、高斯定理等内容:


还是分别看下preview和mini的思考,可以看到mini的思考过程大概是preview的简略版,当然速度也快了不少。

不过preview给的思考过程当中再次出现乱入,这次是泰语。


实际解答过程也是preview比mini更加详细,不过不知道为什么preview用了英文回答。

最后的计算结果化简方式也有所不同,但数值上是相等的,而且也做对了。


对比4o这边,先偷懒后作弊(调用了代码解释器),结果最后答案还是错的。


第二道数学题关于概率


这道题preview依然是用英语进行了作答,步骤比mini更加详细,当然都是对的。


而4o的答案前面的过程倒是基本都对,但是最后一步的求解出现了问题,只给出了1这一个解,并且不是本题答案。


物理方面,这里选择了一道大学物理中的光学题:


preview(左)和mini都给出了正确解答,内容也基本一致。


化学的题目是一道物化题,主要涉及电化学等内容。

这里把AgCl/Ag的标准电极电势作为已知条件一同输入给模型。


Preview(左)和mini大致的解题思路还是差不多,在计算步骤上有指对运算先后的差别,当然最后的结果还是对的。


最后一项测试就不再做考试题了,而是看看模型编写代码的能力如何。

这里选择的题目难度非常高,真人的通过率只有14%。


以下是preview(左)和mini的解题思路:


从代码上看,两者核心逻辑相似,但在具体操作上略有区别。


两套代码均通过了测试,内存消耗也比较接近,而mini给出的代码运行时间更短(38毫秒)。


o1的编程能力除了用来解题,也可以快速构建出实用的应用程序。

知名AI配音工具ElevenLabs设计部门负责人Ammaar Reshi,就利用o1搭配Cursor Composer,用了不到10分钟的时间制作了一款iOS天气应用

小数比较还是不会?

测试发现,对于大模型难以答对的名场面——小数比大小,preview(左)和mini都答不对。

甚至preview在思考过程中明明已经提到过9.8比9.11大。

但同时preview在思考过程中表示,9.8和9.11有可能指的是日期,所以做不对也许另一原因。


针对这个问题,大神谢赛宁也晒出了他的测试结果,发现o1在思考过程中将9.8当成了重力常数,而9.11是一个“意义不明的数字”。


所以o1可能不是不会,而是把这个问题想复杂了。

为了进一步探究,我们把问题改得具体些,强调一下9.8和9.11都是数字,这下没有了歧义之后就能一次做对了。


可以看出,提示词的影响还是不小的。

由于o1在内部采用了一些类思维链过程,因此prompt的设计和普通版本也有所区别,OpenAI官方发布了一则提示:

  • 提示词应简单且直接

  • 避免在提示词中使用思维链

  • 使用分隔符让promot更清晰

  • 控制RAG内容的长度


回到我们的测试,面对其他几个大模型败北名场面,o1也有不小的进步。

比如在数字母的任务上就有所进化,即使是一串乱打的字母也能数对。


还有面对经典的“反转诅咒”(即知道A是B却不知道B是A)问题,也终于一次性答对了Mary Lee Pfeiffer(汤姆·克鲁斯的母亲)的儿子是谁。


One More Thing

关于这次发布的o1,除了各个方面的成绩之外,还有一些其他的发现。

比如前特斯拉自动驾驶负责人、两度进入OpenAI又两度离职的大神Andrej Karpathy发现,o1-mini在被要求证明黎曼猜想的时候出现了拒绝回答的情况,表示大模型“犯懒”依然是一个大问题。


还有网友说觉得mini的表现比preview好,想问下有没有人知道原因或者有啥看法。

这条消息也把奥特曼吸引了过来,回复了一句“Yes I have one”。


根据OpenAI内部员工Kevin Lu发布的一则推文来看,mini的性价比确实比preview更高。

根据这张图显示,preview版本论性能比不上尚未公布的满血o1,论经济性又比不上mini。


顺便提一句,preview版本存在消息数量限制,并且数量是按周进行重置的,几轮测试下来已经快要用尽了。


参考链接:

[1]https://x.com/rowancheung/status/1834300353619075494

[2]https://x.com/karpathy/status/1834374965942255835

[3]https://x.com/sama/status/1834381401380294685

[4]https://x.com/_kevinlu/status/1834278160038592633

对文章打分

实测OpenAI最强模型o1:会做大学数理化 但弱智吧依然难解

1 (50%)
已有 条意见

    最新资讯

    加载中...

    编辑精选

    加载中...

    热门评论

      Top 10

      招聘

      created by ceallan