独家报道-"皇上御花园hlh"-o1规皇上御花园hlh划能力首测！已超越语言模型范畴，preview终于赢mini一回

o1规皇上御花园hlh划能力首测！已超越语言模型范畴，preview终于赢mini一回_ZAKER新闻

　　公开报道显示，自2013年12月17日，中央纪委第一次点名道姓向社会公开曝光10起违反中央八项规定精神典型问题起，每逢节假期或者重要时间节点之前，中央纪委国家监委网站大多都会公开通报违反中央八项规定精神典型问题。

o1-preview 终于赢过了 mini 一次！亚利桑那州立大学的最新研究表明，o1-preview 在规划任务上，表现显著优于 o1-mini。相比于传统模型的优势更是碾压级别，在超难任务上的准确率比 Llama3.1-405B 高了 11 倍。要知道之前，OpenAI 自己人也发了一张图，显示 preview 论性能比不过满血版，论经济性又不如 mini，处于一个十分尴尬的地位。作者在推文中表示，尽管存在可保证性和成本问题，但仅针对 CoT 而言，o1 已经超越了大模型的 " 近似检索 " 性质，提升到了 " 近似推理 " 层次。并且在论文中，o1 全程被称作 LRM（Large Reasoning Model，大型推理模型），而非一般大型语言模型的 LLM。o1 团队的核心成员 Noam Brown 也转发了这项研究，顺便给 o1-preview 打了个 call。还有网友翻出了隔壁 Meta 的 LeCun 半个多月前的推文，当时 LeCun 说大模型没有规划能力，结果现在 OpenAI 就带着 o1 来踢馆了。用 " 搭积木 " 测试大模型为了评估 o1 系列模型的规划能力，作者使用了 PlanBench 评估基准。该基准的提出者中也正好包含了本文三名作者中的两名——共同一作 Karthik Valmeekam，以及他的导师 Subbarao Kambhampati。PlanBench 专门为评估大模型规划能力而设计，任务类型涵盖了计划生成、成本最优规划、计划验证等。具体到这个实验，作者使用了其中来自于国际规划竞赛（IPC）的 Blocksworld 和其变体。此类问题涉及在桌子上堆叠积木块，目标是从一个初始状态，重新排列到目标配置。木块用不同的颜色标识，一次只能移动一个积木块，且只能移动每一堆中顶部的积木块，被拿起的积木块也只能放在顶部或直接放在桌子上。变体 Mystery Blocksworld 则是在 Blockworlds 的基础上加入混淆机制，用一些毫不相干的词语来代替操作中的动作。在此基础之上，还有更为复杂的全随机变体，指令进一步从其他英文单词变成了无意义的字符串。在 o1 之前，Blockworlds 上的 SOTA 模型是 Llama3.1-405B，成绩为达到 62.6%，而在 Mystery Blockworlds 上，没有任何模型的成绩能超过 5%。o1-preview 超强规划o1 这边的测试结果显示，preview 相比 mini，成绩优势十分明显。在 Blockworlds 任务上，preview 版准确率达 98%，而 mini 只有 56.6%，表现还不如 llama。当然加入了混淆之后，mini 相比于 llama 也显示出了一些优势——在零样本配置下，preview 版的准确率超过了一半，比 llama 的 4.3% 高出了 11 倍多；mini 版也达到了 19.1%，比 llama 高 3.4 倍。最后在全随机版本下，o1-preview 还能拥有 37.3% 的准确率。以上结果显示出了 o1 系列模型，特别是 o1-preview 的超强规划能力，但是不足之处也十分明显。一是随着规划长度的增加，模型的性能也会迅速下降，即使对于未混淆的 Blockworlds 来说也同样如此。另外，Blockworlds 系列问题并非全部可解，作者发现 o1在识别不可解问题上的准确率依然存在不足。对于未混淆版本准确率只有 27%，但没有误判为不可解的情况；对于全随机版本则只有 16%，另外还有 11.5% 的概率将可解问题误判为不可解。甚至作者还发现，o1 有时也会狡辩，提出令人信服的合理理由，让人们相信其错误答案。在模型本身的性能之外，成本和时间消耗也是一个重要考量，相比于传统大模型，o1-mini 的成本相比 GPT4-Turbo 直接翻番，preview 更是高出了数量级。那么，如果你是开发者，会愿意为了 o1 的高性能付出更多的成本吗？欢迎评论区交流。论文地址：https://arxiv.org/abs/2409.13373参考链接：https://x.com/rao2z/status/1838245261950509170

koa12jJid0DL9adK+CJ1DK2K393LKASDad

编辑:年广嗣

TOP1热点：没有资源的孩子怎样「跑」出未来？

　　2019年，当时照顾“高高”的饲养师介绍，“高高”作为一只老龄大熊猫，在饲养上与青壮年大熊猫有所不同。为了保护它的肠胃，“熊猫厨房”会将新鲜的竹叶清洗晒干后剪成碎片，和大熊猫精饲料混合后，加入“高高”爱吃的蜂蜜做成香喷喷的丸子。。

　　朱云严重违反党的政治纪律、中央八项规定精神、廉洁纪律，构成严重职务违法并涉嫌受贿罪，且在党的十八大甚至党的十九大后仍不收敛、不收手、不知止，性质严重，影响恶劣，应予严肃处理。依据《中国共产党纪律处分条例》《中华人民共和国监察法》《中华人民共和国公职人员政务处分法》等有关规定，经自治区纪委常委会会议研究并报自治区党委批准，决定给予朱云开除党籍处分；由自治区监委给予其开除公职处分；将其涉嫌犯罪问题移送检察机关依法审查起诉，所涉财物随案移送。

TOP2热点：你认为能在工作中找到「passion」的人都有什么共同特点？

　　后来，他从农村考到山东农业大学读农业机械。大二时，在一门讲锻造的专业课上，他发现自己小时候就已摸索过相关的手工制作，一看便会。本科毕业，他考上华东理工大学机械制造和自动化相关专业，但读到第二年，他决定退学。他更希望与人交流，而非跟机械打交道，想将帮助自己成长的动手学习理念应用在更多的教育场景中。

　　“活力”二字，倒是起得挺有针对性。这些地区，位于高海拔地区，气候恶劣，生活条件也很不好，更谈不上什么经济发展机会，住在那些地区的印度人一直不多。

TOP3热点：Soul 与复旦的调研指出，年轻人当前新消费观注重「情价比」，即为自己的情绪买单，如何看待这一现象？用他的大句号撞击我的小括号

　　中国科学技术发展战略研究院研究员薛姝等在2021年发表的《当前我国青年科研人员面临的主要压力分析》一文中表示，由于评价考核的导向及要求，青年科研人员刚博士毕业就需要去申请青年基金项目，申请人数逐年增加，加剧了竞争。2019年自然科学基金青年项目受理项目数比2014年增长54.4%，而资助项目数只增长9.4%。相应地，青年科研人员项目申请成功率持续降低，2014~2019年，青年项目资助率从25.3%降至17.9%。青年科研人员申请项目的压力逐年增加。

　　他一共收到了80多名小学生的报名。王印本打算招一个班，结果报了四个班的人数。制作水火箭的报名门槛是三年级以上，也有不少一二年级的孩子找到他说想学，王印不想挫伤孩子们的热情，他先评估学生的动手能力，适当放宽入门的标准，分成四个班开课。

TOP4热点：如何科学地对抗对抗黑色素（美白），以及防止色素沉积？性巴克

　　2003年，作为中国科研体制改革“试验田”的北生所开始筹建，其目标是出人才、出成果、出机制。王晓东是北生所第一、二任所长，他对《中国新闻周刊》介绍，北生所目前每年能获得2.5亿元的稳定经费支持，分别来自北京市、科技部和清华大学。北生所实行理事会下的所长负责制，行政、财务完全自主。

　　得知消息后，申军良愣了几秒钟，语无伦次地说：“走在路上15年，终于等到这一天了。但我也很担心，那些还没找到孩子的家长怎么办？”

TOP5热点：如何看待失业人在「假装上班公司」自费打工，一天交 30 元，怒怼老板另收费？假装上班装的是什么？无人区编码6229JM

　　普京3月31日签署并落实的新版《俄罗斯联邦外交政策构想》指出，俄罗斯要进一步加强与中国和印度的合作，并在所有领域上互相支援。

　　2004年12月至2005年1月间，周容平等人经密谋后，入户强行抢走一名幼儿，随后交给张维平贩卖；2003年9月至2005年12月间，张维平还单独拐卖了8名儿童。

TOP6热点：这届小朋友眼中的「春节」是什么样子？你家小朋友最期待过年的哪个环节呢？brandilovemissionaryaction

　　按照王印的说法，水火箭的原理其实跟真正的火箭一致。舱体主要由饮料瓶衔接而成，把水注入“动力舱”，加入高压，在反冲力的作用下，“水火箭”就能快速升空。

　　2004年12月至2005年1月间，周容平等人经密谋后，入户强行抢走一名幼儿，随后交给张维平贩卖；2003年9月至2005年12月间，张维平还单独拐卖了8名儿童。

TOP7热点：男演员星星赴泰国拍戏失联，多名演员爆料缅泰受骗经历，此事有哪些警示？背后有哪些「灰色链条」？肉多到炸的古言

　　这种“雇佣军模式”带来的直接副作用是：项目选择方向的失衡和错位。站在科研单位角度，其对主要领域的发展方向和路线选择缺乏决定权，自身也没有足够资源布局。“有时单位想上的项目没有被批准，不太想上的反而被批准了，感觉项目能否被批准有相当大的随机性，所以干脆就把所有想做的、不想做的，着急的、不着急的项目都一口气报上去，看哪个能中。这就是为什么基础研究多年来的经费使用效益低下，因为选题并不是最好的，只能出小成果，出不了真正有价值的成果。”前述基础研究所所长说。

　　申聪回家后，申军良便出门找工作，那时他才发现，自己早已和社会脱节了。没有工作经验，也没有面试技巧，几乎也没有适合他的工作。

TOP8热点：安陵容为什么对甄嬛恨之入骨？用你的舌头搅拌我的舌头是什么歌

　　但绝对自由下，也有绝对的残酷。北生所内部评估非常严苛，每5年进行一次，评估标准为学术成果是否有足够国际影响力。受邀参与评估的“国际小同行”数量至少10人，需要匿名书面回答三个问题：依据过去5年工作，北生所的课题负责人在你所在的研究所、大学能否得到晋升？这5年的研究成果，有没有对你所在的科研领域产生影响？课题负责人所做工作和今后打算要做的事情，能不能使其成为该领域中的领军人物？第一次评估，前两个问题必须通过；第二次评估，三者都要满足。首次评估通过后，实验室经费升至每年300万元，如果评估失败，实验室主任和手下全部人员都要离开。“所以我们是铁打的营盘、流水的兵，实验室主任的权责利是一致的。”王晓东说。