来啦，OpenAI 传说中的 strawberry 终于来了 o1 通过复杂的任务推理，解决比以前的科学、编码和数学模型更难的问题。 模型在物理、化学和生物学方面表现与博士生类似。 一共两个模型 OpenAI o1-mini 和 o1-preview。 从今天开放使用，1-preview 每周30 条，o1-mini 每周 50 条。 演示视频已翻译

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

终于来了！ 那……按照惯例是不是又要宫斗一次了_(:з」∠)_

没得斗了，人都换一遍了

要冲 2 个账号的会员了。

@feng_zuan2621 我觉得我没有能力测试新的模型，除了代码问题我甚至都不知道问什么问题。 所以不敢瞎说，先看看大佬们怎么用吧。