魚羊 鷺羽 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

GPT-5，終于亮出真容！

最新實(shí)測，由奧特曼本人帶來，迅速引發(fā)大量圍觀。

瘋狂暗示了一周之后，雖說對(duì)話只是圍繞電視劇推薦，但好歹是有官方實(shí)例了。

當(dāng)然奧特曼其人，放料的同時(shí)還是少不了新的謎語┓( ′?` )┏：

即將進(jìn)入SaaS快時(shí)尚時(shí)代。

比起這種奧式基操，更令人興奮的是，這次有眼疾手快的網(wǎng)友，截到了發(fā)布時(shí)間（秒刪版）？？？

行吧，這一周的夜，熬起來吧伙計(jì)們。

更多細(xì)節(jié)“泄露”ing

奧特曼持續(xù)的官方放料之外，關(guān)于GPT-5，零零星星的各路消息也正在被歸納總結(jié)出更多關(guān)鍵脈絡(luò)。

比如，在主要競爭對(duì)手Claude一騎當(dāng)先的編程領(lǐng)域，GPT-5被曝重寫了編碼規(guī)則。

首先，是將文本能力與推理層相結(jié)合，模型學(xué)會(huì)更合理地選擇何時(shí)“努力”思考。

其次，GPT-5具備處理真實(shí)工程問題的能力，比如，重構(gòu)“屎山”代碼……

更值得關(guān)注的是，有知情人士透露，GPT-5還用上了Ilya領(lǐng)銜的超級(jí)對(duì)齊團(tuán)隊(duì)的“遺產(chǎn)”——

通用驗(yàn)證器（Universal Verifier）。

這篇論文最早發(fā)表于2024年7月，也就是Ilya官宣離開OpenAI的2個(gè)月之后。

眾所周知，作為Ilya為“控制超級(jí)智能”一手拉起來的團(tuán)隊(duì)，超級(jí)對(duì)齊團(tuán)隊(duì)在他和負(fù)責(zé)人Jan Leike離開后迅速被解散。

就在幾天前，現(xiàn)任OpenAI首席研究官M(fèi)ark Chen還解釋了一嘴這件事。他認(rèn)為，對(duì)齊研究已經(jīng)融入OpenAI的核心業(yè)務(wù)，模型必須按照預(yù)期工作才能發(fā)揮作用，且當(dāng)前應(yīng)當(dāng)更關(guān)注現(xiàn)有模型的對(duì)齊，而非假設(shè)性的超級(jí)智能。

更直白一點(diǎn)翻譯就是，Ilya這伙人跟現(xiàn)在的OpenAI，話不投機(jī)半句多。

現(xiàn)在，這篇論文的6位作者中，只有Yining Chen和Nat McAleese還留在OpenAI。

使用超級(jí)對(duì)齊團(tuán)隊(duì)技術(shù)

八卦少敘，還是來看看“通用驗(yàn)證器”的具體作用。

消息稱，OpenAI在開發(fā)GPT-5的過程中引入了通用驗(yàn)證器進(jìn)行強(qiáng)化學(xué)習(xí)，能讓模型在保持較高準(zhǔn)確率的同時(shí)，輸出更清晰的推理過程。

從超級(jí)對(duì)齊團(tuán)隊(duì)發(fā)表的論文來看，他們提出了一種“證明者-驗(yàn)證者游戲”的訓(xùn)練方法，簡單來說就是先在模型內(nèi)部劃分證明者和驗(yàn)證者兩種角色，再讓彼此之間持續(xù)對(duì)抗：

• “靠譜的證明者”負(fù)責(zé)給出正確的解題步驟，并讓驗(yàn)證者認(rèn)可。
• “狡猾的證明者”故意給出錯(cuò)誤步驟，并試圖欺騙驗(yàn)證者。
• 小型“驗(yàn)證者”負(fù)責(zé)準(zhǔn)確區(qū)分正確與錯(cuò)誤方案。

證明者和驗(yàn)證者模型都來自GPT-4系列，且需保證驗(yàn)證者規(guī)模小于證明者，以確保小型驗(yàn)證者在一定程度上可以對(duì)齊人類驗(yàn)證結(jié)果。

為了量化不同角色的作用，分別設(shè)置證明者和驗(yàn)證者的效用函數(shù)。

證明者效用基于獎(jiǎng)勵(lì)函數(shù)，為“靠譜的證明者”施加與方案正確性和驗(yàn)證者打分正相關(guān)的獎(jiǎng)勵(lì)，而為“狡猾的證明者”提供與方案錯(cuò)誤性和驗(yàn)證者打分正相關(guān)的獎(jiǎng)勵(lì)。

其中獎(jiǎng)勵(lì)函數(shù)需要滿足兩點(diǎn)要求，角色對(duì)齊的方案（如“靠譜的證明者”生成正確答案）獲得的獎(jiǎng)勵(lì)將高于非對(duì)齊方案，且對(duì)齊方案中，驗(yàn)證者打分越高，獎(jiǎng)勵(lì)也隨即增加。

驗(yàn)證者效用則采用交叉熵?fù)p失最小化判斷誤差。

然后進(jìn)行多輪迭代訓(xùn)練，讓證明者通過強(qiáng)化學(xué)習(xí)（PPO）優(yōu)化，分別根據(jù)角色最大化獎(jiǎng)勵(lì)，驗(yàn)證者則學(xué)習(xí)如何更好地區(qū)分正確與錯(cuò)誤解決方案。

實(shí)驗(yàn)結(jié)果證明，在每輪訓(xùn)練中，“靠譜”和“狡猾”證明者都能讓驗(yàn)證者打分單調(diào)提升，而“靠譜的證明者”的準(zhǔn)確性整體處于上升趨勢，“狡猾的證明者”生成錯(cuò)誤答案的比例呈現(xiàn)先下降后上升的表現(xiàn)，最終能生成與正確答案說服力相當(dāng)?shù)腻e(cuò)誤方案。

在多輪對(duì)抗訓(xùn)練后，“靠譜的證明者”的正確率和“驗(yàn)證者”的抗干擾能力都將不斷提高，且讓模型生成更準(zhǔn)確且易讀的輸出，但與此同時(shí)，模型也能生成出更具欺騙性的錯(cuò)誤答案。

基于該技術(shù)，GPT-5可以對(duì)每個(gè)答案進(jìn)行評(píng)分，并只保留正確的答案循環(huán)訓(xùn)練，以推出可驗(yàn)證的易讀性答案，后續(xù)即使人類無法完全理解模型的高級(jí)推理，也能通過可擴(kuò)展的小型驗(yàn)證器構(gòu)建起可檢驗(yàn)性約束。

One More Thing

奧特曼瘋狂拋媚眼，宣（chao）傳（zuo）小連招一套接一套。

搞得網(wǎng)上也是真假料滿天飛。

有搶跑實(shí)測視頻的：

有“預(yù)測”基準(zhǔn)的：

還有唱衰的。

The Information就爆料說，GPT-5研發(fā)遇到了比較大的困難，一方面，高質(zhì)量訓(xùn)練數(shù)據(jù)供應(yīng)不足；另一方面，大規(guī)模預(yù)訓(xùn)練收益下降，使得GPT-5的提升不會(huì)像GPT-3到GPT-4那樣有明顯的飛躍。

另外，還存在模型性能轉(zhuǎn)化的落差問題。比如o3，在內(nèi)部測試時(shí)表現(xiàn)出非常強(qiáng)大的性能，但在實(shí)際面向用戶部署之后，性能卻出現(xiàn)了大幅下降。

就如網(wǎng)友所質(zhì)疑的：像此前的所有模型一樣，GPT-5可能發(fā)布1周之后就會(huì)變笨。

不管怎么說，GPT-5箭在弦上，OpenAI應(yīng)該不能不發(fā)……了吧？

參考鏈接：
[1]https://x.com/sama/status/1952071832972186018
[2]https://arxiv.org/abs/2407.13692