前些天坊间传得沸沸扬扬的 strawberry 草莓模型，终于正式亮相了。只不过，OpenAI 给它起了个正式的名字——o1。

简单说，OpenAI o1 擅长处理复杂的推理任务，解决过去那些让传统模型头疼的科学、编码和数学问题，能力有了质的飞跃。

它是如何运作的

核心在于，它通过训练学会了“思考”：不断打磨自己的思维过程，主动尝试不同的策略，并且能及时发现并纠正自己的错误。这跟以往的大模型很不一样。

效果有多惊人？在物理、化学和生物学这些硬核学科的基准测试上，它的表现已经可以和博士生相提并论。

当然，作为第一代推理模型，它目前还没有 ChatGPT 那么多花哨的功能，比如不能联网搜索信息，也上传不了文件和图片。对绝大多数日常场景来说，短期内 GPT-4o 依然是更顺手的选择。

但差距在硬核任务上一下子拉开了。举个例子，国际数学奥林匹克（IMO）的资格考试，GPT-4o 只答对了 13% 的题目，而 o1 的推理模型得分直接飙到了 83%。在 Codeforces 编程竞赛中，它的排名更是冲到了第 89 个百分位。

它是给谁用的

如果你正被科学、编程、数学这些领域里烧脑的问题折磨，那 o1 增强的推理能力就非常对症了。

医疗研究人员可以用它来注释细胞测序数据；物理学家可以借助它生成量子光学所需的复杂数学公式；而开发者们则能靠它构建和执行多步骤的工作流。换句话说，哪里需要深度推理，哪里就有它的用武之地。

OpenAI o1-mini

这次还同步放出了一个更轻量级的版本——OpenAI o1-mini。它的推理速度更快，成本也更低，尤其在编码任务上表现出色。最关键的是，作为小模型，o1-mini 的调用成本比 o1-preview 便宜了整整 80%。

如何使用OpenAI o1

从今天起，ChatGPT Plus 和 Team 用户就能在 ChatGPT 里用上 o1 系列了。具体的速率限制是这样的：o1-preview 每周 30 条消息，o1-mini 每周 50 条消息。

对于开发者来说，只要 API 使用权限达到第 5 层，就可以立即在 API 中用这两个模型进行原型开发，目前速率限制是每分钟 20 次请求。

接下来是什么

除了持续更新模型本身之外，OpenAI 计划尽快补齐浏览、文件上传、图像识别这些尚不具备的功能。而且，o1 系列的推出并不意味着 GPT 系列会被放弃，GPT 系列模型的后续开发和发布仍然在路上。

Jim Fan 的评价

Nvidia 高级科学家 Jim Fan 对这个模型给出了一系列很深刻的看法。整理如下：

1. 模型大不等于推理强。庞大的模型参数很多时候只是为了存储和记忆事实，让模型在类似 Trivia QA 这样的问答基准上刷分。但真正的推理能力，不需要这么大的规模。

2. 计算资源的重心在迁移。大量的算力正在从训练阶段转向推理服务。大语言模型本质上就是个文本模拟器，通过在模拟器里反复推演各种策略和场景，最终找到那个最有效的解决方案。

3. 学术界刚追上工业界的脚步。OpenAI 很可能早就摸透了推理扩展的规律，而学术界最近才开始深入研究。上个月，Arxiv 上接连发表了两篇相关的重磅论文，前后只相隔一周：《Large Language Monkeys: Scaling Inference Compute with Repeated Sampling》发现，DeepSeek-Coder 在 SWE-Bench 基准上，通过将采样次数从 1 次提升到 250 次，准确率从 15.9% 提升到了 56%，直接超越了 Sonnet-3.5；《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》则指出，PaLM 2-S 在数学问题上，通过测试时的搜索策略，甚至击败了一个比它大 14 倍的模型。

4. 落地远比赛事难。把 o1 真正投入生产，远比在学术基准上刷分要复杂得多。现实世界的推理问题要棘手得多：什么时候该停止搜索？奖励函数怎么定义？成功的标准是什么？何时调用代码解释器这样的工具？这些 CPU 密集的计算成本和权衡怎么做？OpenAI 的论文在这方面，细节透露得并不多。 5. 这可能是一个数据驱动的良性循环。如果通过搜索找到了正确答案，那么整个搜索过程就变成了一个微型的训练数据集，里面带着明确的正负反馈。这反过来会不断强化未来版本 GPT 的推理能力，有点像 AlphaGo 的价值网络——随着蒙特卡洛树搜索生成越来越精细的训练数据，价值网络本身也在持续精进。

LLM 的新范式，真的来了。接下来，就看各家怎么接招了。