「草莓」实测:可能只是工程 Trick,且有扣费陷阱!

1 评论 4423 浏览 1 收藏 13 分钟

前几天 OpenAI 发布 "草莓" 系列模型,包括 o1-preview 和 o1-mini,本文详细分析了这些模型的效果、特性、价格策略和实现原理,并提出了一些关于其性能和实用性的判断。

实际测试 OpenAI 新发布的「草莓」后,发现问题很多。

在本篇中,我将分几个章节,来进行全面解读,包括:

  • 效果与特性
  • 价格与限制
  • 实现原理
  • 一些判断

长话短说

中国时间 9 月 13 日凌晨,OpenAI 发布了 o1 系列模型,包括 o1-preview 和 o1-mini,官方称其为「草莓」。

从 OpenAI 公布的数据来看,o1 在 STEM(理工科)领域进行了特别优化,在回答之前会进行思考。在物理、生物和化学问题(GPQA)的基准测试中超越了人类博士水平的准确性。

Plus 和 Team 的用户可在 ChatGPT 中访问,o1-preview 限制在了 30 条/周,o1-mini 限制在了 50 条/周

T5 级别的开发者可以访问其 API,每分钟最多20并发,且价格昂贵。

目前,这个模型还是个半成品,并没有工程化完整:在 ChatGPT 里不支持联网、画图等功能;在 API 里不支持 system、tool 等字段和 json mode、结构化输出等方法。

同时,这个模型有坑 – 你可能会被百倍计费:从 pricing table 上看,o1 的价格是 4o 的 6 倍,但这是有迷惑性的!o1 计费并不按最终输出,其中间思考过程所消耗的 token,并被视作 output tokens,这意味着 100 tokens 的内容输出,可能会被按 10000 tokens 计费。

这个模型说是有 32k/64k 的最大输出,但真实输出远没有这么多。

从实际测试的角度,发现 o1 与其说是一个模型,不如说是基于 gpt-4o 的 agent,并且做的并不好。

进行 structured 输出时,400 报错

一、效果与特性

首先,o1 模型是 OpenAI 官方认定的「草莓🍓」

其次,奥特曼对此很满意:

在其测试结果中,o1 在绝大多数重推理任务中显著优于 GPT-4o,相关评估如下:

结果上看,显著优于 gpt-4o:

在 MMLU 的多绝大多数子类别中,优于 gpt-4o。

同时,根据官方报告,在许多需要推理的测试中,o1 的表现已经达到了人类专家的水平。因为最近一些模型在 MATH 和 GSM8K 测试中表现得非常出色,这些测试已经不足以有效地区分它们的优劣。为了更严谨地评估模型的数学能力,选择了 AIME(美国数学邀请赛),这是一项专门为美国顶尖高中数学学生设立的挑战性考试。

在 2024 年的 AIME 考试中,GPT-4o 的平均成绩只有 12%(1.8/15),而 o1 的平均得分却达到了 74%(11.1/15)。在只用一个答案的情况下,o1 在 64 个样本上的平均正确率达到了 83%(12.5/15)。当使用学习算法对 1000 个样本进行优化排序后,o1 的得分进一步提高到 93%(13.9/15)。这个成绩相当于进入全国前 500 名学生的水平,甚至超过了美国数学奥林匹克的入围标准。

二、价格与限制

目前 o1 系列模型可通过 ChatGPT 网页版,或者是 API 进行访问:

1)o1-preview

  • 128k 上下文
  • 32k 最大输出
  • 旨在解决各个领域复杂问题的推理模型
  • 训练数据截止于 23 年 10 月

2)o1-mini:

  • 128k 上下文
  • 64k 最大输出
  • 一种更快速、更经济的推理模型,特别擅长编程、数学和科学
  • 训练数据截止于 23 年 10 月

对于 ChatGPT 网页版,目前仅 Plus 和 Team 用户目前已经可以访问了。对于 Enterprise 以及 Edu 的用户,还需要再等一周:

  • o1-preview:30 条/周
  • o1-mini:50 条/周

对于 API 用户,如果你的等级在 Tire5 (支付金额>1000 美金),目前已经可以通过接口进行调用:

  • o1-preview:20 RPM,30,000,000 TPM
  • o1-mini:20 RPM,150,000,000 TPM

需要注意:

经测试,o1 模型不支持以下内容,并报错:

  • system 字段:400 报错
  • tools 字段:400 报错
  • 图片输入:400 报错
  • json_object 输出:500 报错
  • structured 输出:400 报错
  • logprobs 输出:403 报错
  • stream 输出:400 报错
  • o1系列:20 RPM,150,000,000 TPM,很低,随时429报错
  • 其他:temperature, top_p and n 被固定为1;presence_penalty 和 frequency_penalty 被固定为 0.

进行 structured 输出时,400 报错

更需要注意:

对于 api,文档说 o1 可以输出 64k,但实测远非如此

如:我的 prompt 为「写一部「黑神话悟空」的同人小说,不少于2万字」,但返回的内容只有 1000+字

“谨防电信诈骗”

三、实现原理

简而言之,o1 系列模型,在回答的过程中,本身经历了多次对话,并根据对对话的评估,进行后续生成。

他会先思考,然后总结输出

思考可能不止一步,最长思考步骤为 128k,具体步骤如下:

他会先思考,然后总结输出

需要注意:在 api 调用的过程中,并不会返回中间的思考,比如相同的问题「安徽牛肉板面,为什么是石家庄特产?」,api 侧的返回如下:

我把 id 等信息给 *** 了

这个时候,你会发现一个严重问题:此处产生了 896 tokens 作为推理。

换个例子,当问题是很简短的「你好」时,其返回如下:

输出 471 tokens,其中 448 tokens 为推理,23 tokens为真实输出

同样的问题,问 4o:

输出为 9 tokens

要知道,o1 模型的价格,时 4o-0806 的 6 倍。再加上对推理的消耗(额外n倍),以及这个模型里,token 计算可能比 4o 要多(猜测),api 开支可能会炸!

以「你好」为例,4o-0806 的费用为 ($10*9+$2.5*8)*10^(-6) = 110 * 10^(-6)美金;而 o1 模型中,费用则为 ($60*471+$15*10)*10^(-6) = 28410*10^(-6)美金。在这个案例中,完成相同的任务,o1 比 4o 贵了足足 258 倍!!!

对于非极端问题,且在 prompt 较短的情况下,比如「安徽牛肉板面,为什么是石家庄特产?」,4o-0806 的开销为2192.5 * 10^(-6)美金,而 o1 的开销为 86835 * 10^(-6) 美金。在这个案例中,完成相同的任务,o1 比 4o 贵了 40 倍!!!

有理由认为:在正常使用中,o1 的开销,会比 4o 贵百倍!

四、一些判断

首先,我保持一个观点:这次的「草莓」,与其说是模型优化,不如说是工程优化。

从训练数据,以及训练时间来看,o1-preview,o1-mini,4o,4o-mini 的训练数据,都是截止到 2023 年 10 月(而更早的 gpt-4-0125 和 gpt-4-turbo 则是截止到 2023 年 12 月)。

在抛去 CoT 行为后,可以发现 o1 和 4o 的行为/语言风格高度相似,甚至可以猜测:这次的「草莓」o1 有可能是 gpt-4o 在进行一些微调/对齐后的 agent。

当我询问「我的猫为什么不会汪汪叫」的时候,出现了典型的「意图识别」。

同时,这个 Agent 做得并不好,甚至不能算是及格。当我用 o1-mini 进行「完整输出千字文」的时候,无论是语言识别、意图识别还是指令遵循,都非常的不尽如人意:

o1-mini

即便是换用所谓更强的 o1-preview,结果也不尽如人意(选中文字是错的),并且输出也不全。

o1-preview

五、综上

这个版本的草莓,远低于预期,甚至不如民间的工程化。

作为 AI 从业者,有种难以言表的伤感:我们会喜欢看 OpenAI 的乐子,但绝对不希望看到 OpenAI 塌…

本文由人人都是产品经理作者【赛博禅心】,微信公众号:【赛博禅心】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
海报
评论
评论请登录
  1. 本文重点:这次的「草莓」o1 有可能是 gpt-4o 在进行一些微调/对齐后的 agent。

    来自广东 回复