openai放大招了，是奥特曼在推上宣传了很久的草莓真身，这次它真的来了。
又给大家带来一点小小的震撼，国内大模型老板们也不再迷茫了，4o的多模态的还没赶上呢，这下怎么又回到纯文本了，不是说大家都搞得差不多了吗？
奥特曼表示，虽然 o1 的表现仍然存在缺陷，不过你在第一次使用它的时候仍然会感到震撼。
这对从业者绝对是一件大好事，老板们发现饼还比较大，还可以让资本继续投钱，百万洗数据槽工衣食所系！
直接延长了从愚昧之巅到绝望之谷的到来。
OpenAI o1到底有多强？
这次发布的大模型主要针对的任务是复杂任务推理，比如竞赛难度的编程问题，奥赛难度的数学问题等。并且效果得到了极大的提升，大概从高中生提升到了博士生。比如写代码的水平：
在最难的数学，code，物理化学生物等benchmark上遥遥领先。在全美高中生数学竞赛AIME上，o1能达到74分（GPT4-o仅有12分），如果采样1000次，结合reward model加权投票能到93分，能排进全国前500名，超过USA Mathematical Olympiad的晋级分数线；在GPQA，一个关于物理，化学和生物的智力测试上，OpenAI招募了一群相关领域有博士学位的专家和o1同台竞技， o1能够在GPQA-diamond questions.上超过这群专家。在视觉感知能力后方面，o1 在 MMMU 上取得了 78.2% 的分数，成为第一个与人类专家媲美的模型。
值得注意的是，OpenAI在o1的基础上加强了模型的代码能力，以o1为初始化又训了一个o1-IOI，用于参加2024年的国际奥林匹克信息竞赛（2024 International Olympiad in Informatics）， 在和人类选手相同的条件下，在10h内解决6道非常难的竞赛问题，每个问题最多允许提交50次。最终，o1-IOI能获得一个216分的分数，在放开提交次数后，o1-IOI能获得362.14，超过了金牌线。这种和人类顶尖选手同台竞技，才是最能反映模型能力的benchmark吧。在CodeForce上，打出了惊人的1807分。
并且安全性得分上也遥遥领先
技术上最大的提升
一般的LLM训练，对齐，推理三个阶段的耗时通常是
并且我们能发现一个简单的例子需要消耗690多个token，5秒多。
在训练阶段，会通过强化学习，让o1完善其思维链并优化所使用的策略。例如：识别并纠正错误，将复杂步骤拆分为简单步骤，当前方法不work时，换一种方法在推理阶段，模型同样会在呈现给用户的cot之外，做一个更深的的所谓的long internal chain of thought，所以推理时间会更长，相当于COT套娃了，给COT再加一个COT。
关于技术上怎么实现的呢？
知乎作者白苏苏给了一个关于推理阶段内在思维连提升性能的案例：
思维链
但这个方式是怎么训练来的，openai只提到了强化学习几个字，从推理速度上来看，模型在推理时候应该是输出了很多中间token，到了某个触发词{output}再真正的输出。
这个能力怎么来的呢？网友MoonCancer发表了不同见解：
如果用的是常规的预训练数据集，中间的CoT部分完全是通过RL训练出来，完全原生的，那么很好，LLM推理这个领域基本上结束了，我们离AGI又近了一步。
如果是用4o之类的模型合成大量细致的CoT数据，然后进行模仿，再学习把过于细致的部分隐藏起来，那么贡献基本上等同于把模型scale 10倍，是一种很好的模型增强方法。
如果是专门请人写了大量CoT数据然后强行给模型finetune进去，那真的是“有多少人工就有多少智能”。
预计后续各家厂会快速跟进实验此方向，又有事儿干了，老板也不怎么焦虑了，openai真是给从业者打了强心剂~
