中杯o3成OpenAI“性价比之王”？ARC-AGI测试结果出炉

得分比第二名翻倍，成本却仅为1/20？！

o3中杯在超难推理任务ARC-AGI上的新成绩，属实又给众人带来了亿点点震撼。

根据ARC Prize官方介绍，本轮测试得出的关键结论如下：

• o3 (Medium) 在ARC-AGI-1上得分为57%，成本为1.5美元/任务，优于目前所有已知COT推理模型；
• o4-mini（Medium）在ARC-AGI-1上得分为42%，成本为0.23美元/任务，准确率不足但成本优势明显；
• 在难度升级的ARC-AGI-2上，两种型号模型的准确率均未超过3%

按照最新ARC测试，中杯o3堪称目前OpenAI所有模型中的“性价比之王”。

不过值得注意的是，相比2024年12月OpenAI在“双十二”直播活动中发布的o3模型，最新成绩可谓“大幅缩水”。

当时o3在低推理能力设置下（Low）得分高达75.7%，并且让模型推理更长时间后，其得分更是首次超越人类（85%）飙升至87.5%。

那么问题来了，为何短短几个月过去，o3模型在ARC测试上的得分差异明显呢？

原来前后两个模型虽然名称一样，但实际并非相同的模型。

• OpenAI当下最新的o3，已针对聊天和产品应用进行了微调。

△图源：ARC Prize官网

甚至，OpenAI研究员们也强调，最新发布的o3并未专门针对ARC-AGI测试进行训练。

也就是说，中杯o3第一次挑战ARC难题就取得了好成绩。

宾大沃顿商学院教授Ethan Mollick更是直言：

• 现在有更多的证据表明， o3代表着一次重大进步。

与此同时，时代杂志发表的一篇独家文章表示，o3优于94%的专业病毒学家。其在这一专业领域的准确率达到了43.8%，相比之下博士级人类专家的准确率仅为22.1%。

中杯o3 ARC-AGI测试成绩出炉

ARC-AGI是一项旨在评判大模型的“智力”，或者说“AGI能力”的基准测试。

里面包含了一系列拼图问题，要求AI从不同颜色的方块中识别出视觉模式，并生成正确的 “答案” 网格。这些问题主要是为了迫使AI适应未曾见过的新问题。

正如开头所言，在ARC-AGI-1中，o3模型曾以75.7%的得分“称王称霸”。而在看到这一成绩后，ARC官方感受到了进一步更新的紧迫性。

于是在2024年3月，他们上新了ARC-AGI-2版本，核心目标是测试模型能否高效地获取超出其训练数据的新技能。

具体而言，在ARC-AGI-1基础之上，官方引入了更多符号解释、多组合规则以及需要更深层次抽象的任务，难度再次大升级。

正是基于以上两个测试基准，在OpenAI最新上线了o3和o4-mini之后，ARC又重新进行了测试。

除了中杯o3取得的好成绩，更多测试结果如下：

首先是o3 (high)，ARC官方自称耗费超过5万美元，最终仍未获得o3 (high)的完整测试结论。

理由是，在高推理能力设置下，模型在大多数情况下均无法响应或超时，最后只有不到一半的任务返回了结果。

不过参与审查的Mike Knoop表示，建议默认使用o3 (high)设置，除非遇到超时才切换到Medium选项。

同时他认为，虽然中杯o3的准确率远低于o3-preview（去年12月的版本），但毫无疑问o3整体在准确率和成本优化方面做得非常出色。

• 如今，你在其他任何地方都买不到o3级别的AI推理能力。

一言以蔽之，本轮测试结果表明，中杯o3在继承o3-preview大部分新功能的前提下，成本有了大幅下降。

除此之外，ARC官方还得出了三个关键发现：

1、早期响应准确率更高：模型越早返回的任务，准确率越高。而那些耗时更长（无论是运行时间还是token使用量）的任务，失败的可能性更大。

2、高级推理可能效率低下：在相同任务上比较中杯o3和o3 (high)时，发现后者始终使用更多token来得出相同的答案。

3、每秒token数的最小变化：在o系列模型中，不同任务的每秒token数差异较小。特别是o3-mini-low和o4-mini-low的吞吐量（tok/s）高于中高版本。

One More Thing

顺带一提，ARC官方早前还测试过DeepSeek-R1。

最终结果是，在ARC-AGI-1基准上，DeepSeek-R1得分为15.8%，远低于o3模型。

你怎么看o3的新测试？