o1 模型发布 1 周，lmsys 的 6k + 投票就将 o1-preview 送上了排行榜榜首。同时，为了满足大家对模型「IOI 金牌水平」的好奇心，OpenAI 放出了 o1 测评时提交的所有代码。
万众瞩目的最新模型 OpenAI o1，终于迎来了 lmsys 竞技场的测评结果。不出意外，o1-preview 在各种领域绝对登顶，超过了最新版的 GPT-4o，在数学、困难提示和编码领域表现出色；
而 o1-mini 虽然名字中自带「mini」，但也和最新版的 GPT-4o 并列综合排名第二，困难提示、编码、数学等领域和 o1-preview 同样登顶第一。
果然，o1 模型不愧是通用推理领域的新王。lmsys 社区官方发推表示，这项测试结果收集了 6k + 社区投票，并将 OpenAI 这次取得的进展描述为「令人难以置信的里程碑」。
单纯看排行榜的排名可能不够具有说服力，于是 lmsys 特意统计了总榜上前 25 名模型的 1v1 胜率。
可以看到，o1-preview 对所有模型的胜率都超过了 50%，对比 04-09 版 GPT-4-Turbo 的胜率最高，达到了 88%。
o1-mini 如果对战 o1-preview，胜率为 46%，对 09-03 版 GPT-4o 的胜率为 48%，可以说是大体平手、稍逊一筹的状态。
值得注意的是，虽然 Grok-2-mini 和 Claude 3.5 Sonnet 都排在比较靠后的位置，但 o1-preview 对这两个模型的胜率并不高，分别是 58% 和 57%，大大小于排名第四的 Gemini 1.5 Pro 的 69%。
如果看到细分领域的排行榜，尤其是数学 / 推理领域，效果则更加惊艳。o1-preview 和 o1-mini 不仅是登顶数学排行榜，而且是体现出了绝对的领先优势。
排在第三、第四的 Claude 3.5 Sonnet、Gemini 1.5 Pro 和 08-08 版 ChatGPT-4o 的均分都在 1275 左右，不相上下；o1-preview 和 o1-mini 则一骑绝尘，分数飙到 1360 附近，直接碾压。
o1 推理团队的领导者之一 William Fedus 看到这张图也是相当开心，他表示这张图「很好地用视觉表达了范式转换」。
看来最新的 o1 模型在 STEM 学科和通用推理方面的确又达到了新高度，用实际测评结果回应了「AI 遇冷」、「OpenAI 碰壁」的质疑声。
「那就继续期待 OpenAI 接下来的发布吧！」
但一些人感叹「未来可期」的同时，另一些人想到了自己不多的智商和头发。
「模型搞得这么好了，测试就不适合我这种蠢人了。」
同时，也有一些人表达了对 lmsys 排行榜结果的质疑。
比如，众所周知的 o1 模型推理时间长，因而回答的延时也长，和其他模型都有明显差别；而且不同于各类基准测试的客观标准，lmsys 社区中完全基于用户的主观评分，难说这里面是否存在「安慰剂效应」。
也有人不服 o1 在编码排行榜上的第一，认为虽然 o1-mini 非常适合进行项目规划，但在 Cursor 这类编码助手中还是 Claude 模型的表现最佳。
排行榜的结果当然不是全部，o1 模型能否继续赢得口碑，同时保持住智力水平不变蠢，还要看接下来的一段时间。
IOI 金牌代码全公开
说到 o1 模型的编码能力，不知道你还是否记得，刚发布时 OpenAI 提到了这样一个指标：如果放宽提交约束到每个问题允许 1 万次提交，o1 可以达到高于 IOI 金牌门槛的分数。
在模拟进行的 Codeforces 编程竞赛中，使用相同的规则进行评估，o1-preview 可以打败 62% 的人类选手，正式版 o1 则上升到超越 89% 的对手。
专门微调过的 o1-ioi 模型，表现优于 93% 的竞争对手。
此外，前段时间有用户在实时的 Codeforces 比赛中使用了 o1 模型，结果是超越了 99.8% 的人类选手。
由于 o1 在编程竞赛领域的表现如此突出，引起了 AI 社区强烈的兴趣和好奇，OpenAI 于是选择发布 o1 模型提交的代码内容，包括 6 个问题的全部 C++ 代码以及注释。
对于 o1 的惊艳表现，Alexander Wei 自己都很惊讶。
他本人在 9 年前曾参加 IOI 竞赛，但从未想到自己这么快就需要和 AI 竞争，模型展现出的推理过程的复杂程度令人印象深刻。
博文表示，虽然 o1 模型距离人类的顶级表现还有很长的一段路要走，但我们期待有一天能实现这个目标。
这个发展轨迹让人想起了 AlphaGo—— 从水平高超，到能和人类顶级高手不分胜负，再到 5-0 完全碾压李世石。
OpenAI 想要达成的，估计就是究极进化的、能在编程上碾压人类顶级高手的 AlphaZero。
此处公布代码的 6 个问题具体如下：
有网友指出，其中最令人印象深刻的应该是象形文字（hieroglyphs）问题，o1 模型总共得到 44 分，在现场的所有选手中排名第四。这表明，模型或许可以破译一些人类无法解决的子任务。
前几天，一位目前在 NASA 工作的天体物理学博士就尝试让 o1 复现自己论文中的代码，结果一试吓一跳 —— 自己读博时花了 1 年写出的代码，o1 只用了一小时就写完了。
这还只是裸模型，如果加上代码解释器、网络实时搜索等各种工具，效果想必更加惊艳。
而且，Reddit 网友还送来了温馨提示：这只是 o1 预览版哦，可以狠狠期待一下不到一个月就即将问世的正式版 o1 了。
此外，这位网友还表示，o1 基本沿用了 GPT-4 的架构；那你想，改换架构后的 GPT-5（也就是传说中的猎户座）能达到什么高度。
参考资料：
-
https://x.com/lmsysorg/status/1836443278033719631
-
https://codeforces.com/blog/entry/134091