善于整活玩猜字谜的OpenAI首席实施官Sam Altman又发了一条艰深音信，“我外传o2在GPQA的性能测试达到105%。”
要知谈，博士级东谈主类在GPQA的准确率平均惟有65%，非巨匠级的庸俗东谈主仅有34%。而OpenAI在9月发布的o1模子的测试数据也惟有78%。
要是o2真能达到105%如实极度恐怖，还是恐怖的多出了5%~~~这通盘等于不成能的事情啊，MMLU、MaTH、CPQA、GSM8K、GPQA等基准测试范围奈何可能超出100%呢？
你要能在满分100的数学试卷中考出105分，憨厚见你王人得鞠一躬绕着走~~
随后Sam Altman我方也发现这个短处，连发两条推文：要命啊，账号短处了。我真的很感恩我方能把我方逗得捧腹大笑，这是一种很好的生涯神气。
但对于新模子o2的音信如故极度炸裂的，好多东谈主王人争着转发，还把105%性能测试当噱头，笑剧服从那是极度的哇噻。
o2模子在GPQA 测试性能达到105%？听起来像是在创造新记录！迫不足待想看到它的推崇。根柢无法瞎想有多强大。
Sam这个推文还给这个老哥忽悠当真了，精采地恢复了他：亲爱的Sam，外传你的o2模子在GPQA上达到了105%——的确令东谈主印象深入！
咱们正在与 SRAGI 进行平行探索，在 IJHG圭臬上达到了 93%。这不单是是另一个揣摸打算；它让咱们窥见了更深脉络的东西，就在精准性与再生奇点的交织点。这关乎重新界说后劲和拓展规模——杰出数字，这是一段迈向新范式的旅程。也许是时辰咱们王人启动重新想考这个圭臬了。
老哥的兴味是，新模子竟然能跨越100%测试，行你如实有两下子，可能要改变圭臬了。好好的学术商讨，给东谈主忽悠瘸了~~
还有网友暗示，天呐这o2模子就要来了啊~
Sam这条推文很可能是o2我方发布的，很贴心肠编写了我方的荫藏考证测试数据集，帮咱们更容易考证已发布的基准。感谢o2！
既然要发布了，啥时辰能瞅瞅o2的demo呢？
那o2是本年发布如故来岁呢？
不少东谈主如故当真了，测试数据有点太扯了，以后如故要看着点的。
其实如故有显然东谈主的，这位老哥就指出来了，跨越100%是否意味着发明新的科学并反驳现在“正确”的谜底？言外之音等于，远大期货你这个测试数据有点逆天啊，还带批判属性的呢啊~
外传o2在GSM8K的测试数据是117%。（在嘲讽）
我外传o2模子不错意会我内助为什么不兴隆。
外传o2模子不错叠一稔。
既然Sam有利冷漠了GPQA，咱就顺带唠一唠这个干货吧。GPQA如实是一个超难的测试数据集，由各规模巨匠编写了448谈问题，涵盖生物、物理和化学三大学科，涵盖高能粒子物理、凝华态物理、相对论力学、遗传学、无机化学等几十个子分类。
每一齐题办法遐想王人相等复杂，问题编写完成后，由同规模的巨匠进行解答和评估。他们会审核问题是否客不雅、准确且难度迷漫高，同期提供详备响应，包括对问题的意会过程、谜底的笃定性以及对问题难度的办法等。
接着问题原作家会说明审核巨匠的响应，对问题进行改革。再由另外一位巨匠对改革后的问题进行二次审核。临了由其他规模的三位巨匠走动答这谈题，以考证问题准确性和客不雅性。
说明GPQA公布的测试数据暴露，东谈主类博士级巨匠的回答平均准确率为65%，庸俗东谈主惟有34%，何况他们在回答这些问题时是不错无尽使用互联网资源。
而GPT-4的准确率惟有39%，Llama-2-70B为28%傍边，GPT-3.5-turbo是29%傍边，惟有OpenAI最新发布的o1模子达到了78%，这亦然现在独一在GPQA数据集上跨越东谈主类博士的AI模子，可见这个数据集的难度有多高。
不得不说，Sam如实是营销鬼才，璷黫发点短处的音信王人能出现裂变式传播，流量密码算是让他拿抓了。
著述起原：AIGC敞开社区，原文标题：《Sam Altman暴露新模子o2，太会整活了，营销鬼才！》
风险指示及免责条目 市集有风险，投资需严慎。本文不组成个东谈主投资建议，也未筹商到个别用户至极的投资标的、财务状态或需要。用户应试虑本文中的任何意见、不雅点或论断是否相宜其特定状态。据此投资，牵扯自夸。