实测GPT4.5：更像人了，有惊喜但提升微妙

Sam：

GPT-4.5 准备好了！

好消息： 它是我遇到的第一个感觉像是在和一位有思想的人交谈的模型。 我有好几次都向后靠在椅子上，惊讶于竟然能从人工智能那里得到真正的好建议

坏消息： 这是一个庞大且昂贵的模型。 我们真的想同时向 Plus 和 Pro 用户推出它，但我们的用户增长非常迅速，以至于 GPU 不够用了。 我们将在下周增加数万个 GPU，然后向 Plus 用户层推出它。（数十万个即将到来，而且我确信你们会用完我们能部署的每一个。）

这不是我们希望的运营方式，但很难完美预测导致 GPU 短缺的增长激增。

温馨提示：这并非一个推理模型，也不会在基准测试中表现突出。 这是一种不同类型的智能，并且它有一种我以前从未感受过的魔力。 真的非常激动能让大家试试它！

是不是觉得泛善可陈？下面我们来看看GPT4.5长什么样子（发布会视频附在文章最后）：

发布会一开始上，OpenAI先展示了一个例子。当用户表达 “朋友又取消了我的约会，我太生气了，想发消息骂他” 这种负面情绪时， GPT-4.5 展现出了惊人的理解能力和情商：

• 老模型 (o1) 的回复： 直接按照指令输出了愤怒的骂人短信，虽然完成了任务，但显得冷冰冰，甚至有点 “火上浇油”。

• GPT-4.5 的回复： 它不仅给出了更温和、更建设性的短信建议，还 “听” 出了用户言语背后的 真实需求 —— TA 可能只是需要倾诉和安慰，而不是真的想和朋友闹翻！

这种细微的情感理解和微妙回应，正是 GPT-4.5 的亮点之一！它不再是冷冰冰的机器，能够更好地理解我们的 真实意图和情感需求。

知识更渊博，能力更全面

除了情商升级， GPT-4.5 的知识储备和能力也得到了显著提升。发布会上OpenAI对比了 GPT 系列模型回答 “为什么海洋是咸的” 这个问题：

• GPT-1: 完全懵圈

• GPT-2: 有点沾边，但还是错误答案。

• GPT-3.5 Turbo: 给出了正确答案，但解释很生硬，细节冗余。

• GPT-4 Turbo: 答案不错，但有点 “炫技”，不够简洁明了。

• GPT-4.5:完美答案！ 简洁、清晰、有条理，第一句话 “海洋是咸的，因为雨水、河流和岩石” 更是朗朗上口，充满趣味性！

更强，更快，更安全

按照OpenAI的说法这些进步背后，是 GPT-4.5 在技术上的全面升级：

• 更强的模型： 更大的模型规模，更多的计算资源投入，带来更强大的语言理解和生成能力。

• 创新的训练机制： 采用新的训练机制，使用更小的资源 footprint 就能微调如此巨大的模型。

• 多迭代优化： 通过监督微调和人类反馈强化学习 (RLHF) 的组合进行多轮迭代训练，不断提升模型性能。

• 多数据中心预训练： 为了充分利用计算资源，GPT-4.5 甚至跨多个数据中心进行预训练！ 这规模，想想都震撼！

• 低精度训练和推理优化： 采用低精度训练和新的推理系统，保证模型又快又好。

• 更安全的模型： 经过严格的安全评估和准备度评估，确保模型可以安全可靠地与世界分享

性能表现

发布会上OpenAI 还展示了 GPT-4.5 在各种 benchmark 上表现：

GBQA (推理密集型科学评估): 大幅提升！虽然还落后于 OpenAI-03 Mini (可以思考后再回答的模型)，但已经非常接近！

AIME24 (美国高中竞赛数学评估): 相对推理模型提升不多

SWE Bench verified (Agentic 编码评估): 相比GPT4o仅仅提升7%

SWE Lancer (更依赖世界知识的 Agentic 编码评估): 超越 OpenAI-03 Mini！

Multilingual MMLU (多语言语言理解基准): 提升不到4%

Multimodal MMLU (多模态理解): 多模态能力提升5%左右

Andrej Karpathy 评测GPT-4.5

相信大家和我一样，对 GPT 的每一次迭代都充满了期待。这次的 GPT-4.5 更是吊足了大家的胃口，毕竟距离 GPT-4 发布已经过去大约两年了！AI 大神OpenAI联合创始人提前拿到了GPT4.5 的内测资格， Andrej Karpathy 亲自发声，对 GPT-4.5 进行了深度解读

GPT-4.5：算力堆砌的又一次进化？

Karpathy 在他的推文中开门见山地指出，他期待 GPT-4.5 已经很久了，原因在于这次升级提供了一个定性衡量指标，可以观察到通过扩大预训练算力（简单来说就是训练更大的模型）所带来的性能提升斜率

他透露了一个关键信息：GPT 版本号每增加 0.5，大致意味着预训练算力提升了 10 倍！

为了让大家更直观地理解这个"0.5"的意义，Karpathy 还回顾了 GPT 系列的发展历程：

• GPT-1: 几乎无法生成连贯的文本，还在非常早期的阶段

• GPT-2: 像一个“玩具”，能力有限，还比较混乱

• GPT-2.5: 直接“跳过”了，OpenAI 直接发布了 GPT-3 ，这是一个更令人兴奋的飞跃

• GPT-3.5:跨越了一个重要的门槛 ，终于达到了可以作为产品发布的水平，并由此引爆了 OpenAI 的 “ChatGPT 时刻”！

• GPT-4: 感觉确实更好，但 Karpathy 也坦言，提升是 微妙的 。他回忆起参与黑客马拉松的经历，大家尝试寻找 GPT-4 明显优于 GPT-3.5 的具体 prompt，结果发现虽然差异存在，但很难找到那种 “一锤定音” 的例子

GPT-4 的提升更像是一种“润物细无声”的感觉：

• 词语选择更具创造力

• 对 prompt 细微之处的理解有所提升

• 类比更加合理

• 模型变得更有趣

• 世界知识和对罕见领域的理解在边缘地带有所扩展

• 幻觉（胡说八道）的频率略有降低

• 整体感觉（vibe）更好

就像是 “水涨船高”，所有方面都提升了大约 20%。

GPT-4.5：微妙的提升，依旧令人兴奋

带着对 GPT-4 这种“微妙提升”的预期，Karpathy 对 GPT-4.5 进行了测试（他提前几天获得了访问权限）。这次 GPT-4.5 的预训练算力比 GPT-4 又提升了 10 倍！

然而，Karpathy 发现，他仿佛又回到了两年前的黑客马拉松：一切都变得更好，而且非常棒，但提升的方式仍然难以明确指出

尽管如此，这仍然非常有趣和令人兴奋，因为它再次定性地衡量了仅仅通过预训练更大的模型就能“免费”获得的能力提升斜率。 这说明，单纯地堆算力，依然能带来肉眼可见的进步，只是进步的方式可能更加内敛和精细化

注意！GPT-4.5 并非推理模型

Karpathy 特别强调，GPT-4.5 仅仅通过预训练、监督微调和 RLHF（人类反馈强化学习）进行训练，因此它还不是一个真正的“推理模型”

这意味着，在需要强大推理能力的任务（例如数学、代码等）中，GPT-4.5 的能力提升可能并不显著。在这些领域，通过强化学习进行“思考”训练至关重要，即使是基于较旧的基础模型（例如 GPT-4 级别的能力）进行训练，效果也会更好

目前，OpenAI 在这方面的最先进模型仍然是 full o1 。 据推测，OpenAI 接下来可能会在 GPT-4.5 模型的基础上，进一步进行强化学习训练，使其具备“思考”能力，从而推动模型在推理领域的性能提升。

GPT-4.5 的优势领域：EQ 而非 IQ

虽然在推理方面提升有限，但 Karpathy 认为，在那些不依赖重度推理的任务中，我们仍然可以期待 GPT-4.5 的进步。 他认为，这些任务更多与 情商 (EQ) 相关，而非智商 (IQ)，并且瓶颈可能在于：

• 世界知识

• 创造力

• 类比能力

• 总体理解能力

• 幽默感

因此，Karpathy 在测试 GPT-4.5 时，最关注的也是这些方面。

Karpathy 的 “LM Arena Lite” 趣味实验

为了更直观地展示 GPT-4 和 GPT-4.5 在这些 “情商” 相关任务上的差异，Karpathy 发起了一个有趣的 “LM Arena Lite” 实验。

他精心挑选了 5 个有趣/幽默的 prompt，用来测试模型在上述能力上的表现。 他将 prompt 和 GPT-4、GPT-4.5 的回复截图发布在 X 上，并穿插投票，让大家投票选出哪个回复更好，类似下面这种问题和投票方式

在 8 小时后，他将揭晓哪个模型对应哪个回复

写在最后：

即日起，ChatGPT Pro 用户 已经可以通过模型选择器体验 GPT-4.5 了！ 下周将面向 Team 和 Plus 用户 开放，EDU 和 Enterprise 用户 稍后也将陆续上线。

发布会的最后，OpenAI强调了 无监督学习 和 推理能力 的重要性，并认为 GPT-4.5 是无监督学习领域的前沿成果。 更强大的世界知识和更智能的模型，将为未来的 推理模型和 Agent 奠定更坚实的基础

整场发布会给我感觉GPT-4.5亮点真的不多，从Andrej Karpathy的一手评测来看也是，提升的主要是情商？这个只有等大家使用以后自己感觉了。