这并不意味着 OpenAI 在说谎！

站长之家(ChinaZ.com) 4月21日 消息:OpenAI 的新 AI 模型 o3 在第一方和第三方基准测试结果上存在差异，这也引发了人们对该公司透明度和模型测试实践的质疑。去年 12 月， OpenAI 的 o3 模型首次亮相，当时，该公司宣称这款模型能够解答 FrontierMath（一组极具挑战性的数学问题）中超过 25% 的题目 —— 这个成绩远超竞争对手 —— 第二名的正确率约为 2%。

“目前，市面上所有AI产品在 FrontierMath 上的得分都低于 2%，”OpenAI 首席研究官马克・陈（Mark Chen）在一次直播中表示，“我们（在内部测试中）发现，在激进的测试计算条件下，o3 能够达到超过 25% 的正确率。”

但事实证明，这个数字很可能是上限，实现这一成绩的 o3 版本所使用的计算资源比 OpenAI 上周公开推出的模型得多得多。

上周五，FrontierMath 所属研究机构 Epoch AI 公布了针对 o3 的独立基准测试结果。他们发现，o3 的得分约为 10% —— 远低于 OpenAI 所宣称的 25%。

当然，这并不意味着 OpenAI 在说谎 —— OpenAI 在去年 12 月公布的基准测试结果还游一个“下限得分”，这个“下限”与 Epoch 观察到的得分相符。Epoch 还指出，其测试设置可能与 OpenAI 的不同，并且在评估中使用了更新版的 FrontierMath。

Epoch 写道：“我们的结果与 OpenAI 的结果存在差异，可能是因为 OpenAI 使用了更强大的内部架构进行评估，在测试时使用了更多计算资源，或者是因为这些结果是在 FrontierMath 的不同子集上运行得出的（FrontierMath - 2024 - 11 - 26 中的 180 道题与 FrontierMath - 2025 - 02 - 28 - private 中的 290 道题）。”

曾测试过 o3 预览版的 ARC Prize Foundation 在 X 上发帖称，公开的 o3 模型 “是另一个为聊天 / 产品使用场景进行调优的模型”，这证实了 Epoch 的报告。ARC Prize 写道：“所有已发布的 o3 计算层级都比我们（做基准测试时使用的）版本要小。” 一般来说，计算层级越高，基准测试得分可能越好。

上周，OpenAI 的技术人员 Wenda Zhou 在一次直播中表示，与 12 月展示的 o3 版本相比，投入实际应用的 o3 “针对现实应用场景和速度进行了更多优化”。他补充说，因此可能会出现基准测试 “差异”。“我们进行了（优化），让（模型）更具成本效益，总体上更有用，” Zhou 说，“我们仍然希望 —— 也依旧认为 —— 这是一个更好的模型…… 当你提问时，不需要那么久的等待时间，对于这类模型来说，这很重要。”

这再次提醒人们，对于 AI 基准测试结果，最好不要轻信表面数据 —— 尤其是当数据来源是一家要推销服务的公司时。