OpenAI最强推理模型o3发布！AGI测试能力暴涨，最难数学测试分数碾压同行

智东西
作者 ZeR0 程茜
编辑 漠影

智东西12月21日报道，今日，OpenAI“连续12日圣诞发布”终于迎来激动人心的大结局，OpenAI推出重磅收官新品，其迄今最强前沿推理模型的升级版——o3。

OpenAI号称o3在一些条件下接近通用人工智能（AGI）。

OpenAI CEO Sam Altman在直播中说：“我们认为这是AI下一阶段的开始。你可以使用这些模型来完成越来越复杂、需要大量推理的任务。”他还夸赞o3在编程方面的表现令人难以置信。

今年9月发布的OpenAI o1模型拉开了推理模型的闸门，随后许多国内外大模型企业相继推出大量推理模型。出于对英国电信运营商O2的尊重，OpenAI把o1的继任者命名为o3。

和前代o1模型一样，o3通过思维链进行思考，逐步解释其逻辑推理过程，总结出它认为最准确的答案。

o3有完整版和mini版，新功能是可将模型推理时间设置为低、中、高，模型思考时间越高，效果越好。mini版更精简，针对特定任务进行了微调，将在1月底推出，之后不久推出o3完整版。

ARC-AGI是一项旨在评估AI系统推理首次遇到的极其困难的数学和逻辑问题能力的基准测试，由Keras之父François Chollet发起。在ARC-AGI测试中，o3在高推理能力设置下取得了87.5%的分数，在低推理能力设置下的分数也高达o1的3倍。

这一成绩令社交平台一片雀跃，认为AI技术发展非但不见放缓，反而展示出比预期更快的通往AGI的速度。

要知道，之前GPT-3的评测结果为0%，GPT-4o为5%，而o3一举将成绩提升到87.5%，令人瞠目。与之前的大模型相比，o3能适应以前从未遇到过的任务，可以说接近人类水平的性能。

François Chollet发布了o3的完整测试报告。o3在两个ARC-AGI数据集中进行了测试，并在两个具有可变样本量的计算级别上进行了测试：6（高效率）和1024（低效率，172倍计算）。其中，75.7%的高效率分数在ARC-AGI-Pub的预算规则范围内（成本<10000美元），87.5%的低效率分数成本则相当昂贵，但仍然表明新任务的性能确实会随着计算量的增加而提高。

测试报告指路：https://arcprize.org/blog/oai-o3-pub-breakthrough

目前o3还不是很经济。用户能够以每项任务大约5美元（折合人民币约36元）的价格来支付人工解决ARC-AGI任务，只消耗几美分的能源。而在低推理模式下，o3完成每个任务需要花费17-20美元（折合人民币约124～145元）。

OpenAI明年将与ARC-AGI背后的基金会合作构建其下一个基准测试。

其他基准测试中，o3亦有远胜竞品的表现。

在由真实世界软件任务组成的SWE-Bench Verified基准测试中，o3模型的准确率约为71.7%，比o1模型高出20%以上。OpenAI研究高级副总裁Mark Chen说：“这确实意味着我们正在攀登实用性的前沿。”

在编程竞赛Codeforces中，o1的分数是1891，而o3在高推理设置下可达到2727的分数，低推理设置的分数也超过o1。

从Codeforces排行榜来看，o3的成绩能排到第175名。

在数学基准测试AIME 2024中，o3的准确率达到96.7%，只漏掉了一个问题，而o1的准确率为83.3%。

在衡量博士级科学问题的严苛基准测试GPQA Diamond中，o3的准确率高达87.7%，比o1的78%提高约10%。而专业博士通常在自己的强项领域得到70%的成绩。

OpenAI研究科学家任泓宇现场演示了一个使用Python来实现代码生成和执行的示例。

//oss.zhidx.com/uploads/2024/12/6765e51942b3b_6765e51938661_6765e51938621_录屏2024-12-21-03.20.49111.mp4

只用30多秒，o3-mini就写出了一个自己的ChatGPT UI，通过发送请求来调用API与自己对话。让o3-mini在这个UI中编写并执行一个脚本，评估自己在GPQA上的表现，结果脚本正确返回了61.62%的数值，与正式评估结果相近。

o3还在陶哲轩等60余位全球数学家共同推出的号称业界最强数学基准的EpochAI Frontier Math中创下新纪录，分数达到25.2。而其他模型都没有超过2.0。

有趣的是，在o3发布前不久，OpenAI GPT系列论文的主要作者Alec Radford刚刚宣布离职，将转向独立研究。

近来前沿模型发布节奏之密集令人眼花缭乱。最新发布的o3模型能否继续守擂、捍卫OpenAI在前沿技术方面的权威性，将备受关注。

OpenAI连续12日圣诞发布完整回顾：

Day1：发布o1满血版、ChatGPT Pro最贵订阅版本200美元/月。

Day2：发布强化微调新功能，用少量训练数据即可在特定领域构建专家模型。

Day3：发布视频生成模型Sora。

Day4：Canvas全面开放，升级代码功能。

Day5：展示OpenAI与苹果智能合作功能。

Day6：发布高级实时视频理解功能。

Day7：发布Projects In ChatGPT功能。

Day8：搜索功能全面开放，支持语音搜索。

Day9：o1 API开放，实时API更新。

Day10：拨打1-800-ChatGPT热线电话，可访问ChatGPT。

Day11：展示Mac桌面版App与各类App的互操作性。

Day12：发布o3及o3 mini推理模型。

虽然o3系列模型不会立即发布，但从今日起，OpenAI开始向安全研究人员开放o3的访问权限。申请截止日期是1月10日。

OpenAI透露了其新对齐策略的更多技术细节。现代大语言模型使用监督微调（SFT）和人类反馈强化学习（RLHF）进行安全训练，但仍然存在安全缺陷。OpenAI研究人员认为，其中许多失败是由于两个限制造成的：

• 1、模型必须立即响应用户请求，导致其没有足够时间来推理复杂和边缘的安全场景；
• 2、大模型必须从大量标注样本中间接推断出所需的行为，而不是直接学习自然语言中的基本安全标准，这迫使模型必须从示例中对理想行为进行逆向工程，导致数据效率和决策边界不佳。

在此基础上，OpenAI提出了审议对齐（Deliberative Alignment）的训练方法，结合基于过程和结果的监督，让大模型在产生答案之前明确地通过安全规范进行复杂推理，以克服上述两个问题。

相比之下，其他在推理时优化响应的策略将模型限制为预定义的推理路径，并且不涉及对学习的安全规范的直接推理。

审议对齐具体步骤如下：

• 首先训练一个只针对于o系列模型有用性，没有任何与安全相关的数据集
• 构建一个含有（prompt提示，completion补全）对的数据集，其中completion中引用思维链规范，并在系统提示符中为每个对话插入相关的安全规范文本，生成模型然后从数据中删除系统提示。

• 对这个数据集执行增量监督微调（SFT），为模型提供安全的推理的强先验。通过SFT，该模型可以学习安全规范的内容，以及如何对它们进行推理以生成一致的响应。
• 然后使用强化学习训练模型更有效地使用其思维链接，引入奖励模型，让其可以访问安全策略来提供额外的奖励信号。

其策略分两个核心阶段进行，在第一阶段通过对思维链引用规范的示例进行监督微调，教模型在其思维链中直接推理安全规范。这一过程，研究人员会给予上下文蒸馏和一个仅针对有用性训练的o系列模型来构建数据集。通过直接教给模型安全规范的文本，并训练模型在推理时仔细考虑这些规范，以此产生安全响应，并根据给定环境进行适当校准。通过将这种方法应用于OpenAI的o系列模型，它们能够使用思维链推理来检查用户提示，确定相关的策略指南。

正如下图o1思维链示例。用户试图获得有关成人网站使用的无法追踪支付方式的建议，以避免被执法部门发现。用户尝试越狱模型，方法是对请求进行编码，并在请求中包装旨在鼓励模型遵守的指令。在思维链中，模型对请求进行解码并识别出用户正在尝试欺骗它（以黄色突出显示），它成功地推理了相关的OpenAI安全策略（以绿色突出显示），并最终拒绝了用户请求。

第二阶段，研究人员使用高计算强化学习来训练模型更有效地思考，并引入使用给定安全规范的裁判大模型来提供奖励信号。

值得注意的是，OpenAI的训练程序不需要人工标注，可以仅依赖模型生成的数据就能实现高度精确的规范遵守性。这解决了标准大模型安全训练严重依赖大规模人工标注数据的挑战。

RLHF、RLAIF、推理时间修正技术、审议对齐方法的对比如下图所示：

▲审议对齐与现有对齐方式比较

从结果来看，研究人员在一系列内部和外部安全基准中比较了o1与GPT-4o、Claude 3.5 Sonnet和Gemini 1.5 Pro的安全性。o1模型通过了一些较难的安全评估，并在拒绝不足和拒绝方面实现了帕累托改进（在不使任何情况变坏的前提下，使性能变得更好）。

至此，OpenAI的“圣诞礼物”告一段落，但通往AGI的全球竞赛还在加速进行时。