首页OpenAI的o3 AI模型在基准测试中的得分低于最初暗示的水平
为什么基准差异在人工智能中很重要
说到人工智能，数字往往能说明问题--而有时，这些数字并不完全吻合。以 OpenAI 的 o3 模型为例。据报道，o3 可以处理超过 25% 难度极高的 FrontierMath 问题。在当时的情况下，竞争对手只能处理低个位数的问题。但快进到最近的发展，Epoch AI--一家受人尊敬的研究机构--对这一说法提出了质疑。他们的研究结果表明，o3 的实际性能徘徊在 10% 左右。还不错，但肯定不是OpenAI最初吹嘘的那个吸引眼球的数字。
到底发生了什么？
让我们来分析一下。OpenAI最初的得分很可能是在最佳条件下取得的--现实世界中可能无法完全复制。Epoch指出，他们的测试环境可能与OpenAI的略有不同，甚至他们使用的FrontierMath版本也较新。这并不是说OpenAI完全误导了任何人；他们最初的说法与内部测试一致，但这种差异凸显了一个更广泛的问题。基准并不总是苹果与苹果之间的比较。面对现实吧，公司都有动力把自己最好的一面展现出来。
透明度的作用
这种情况提出了一个重要问题：人工智能公司在分享结果时应该有多透明？虽然 OpenAI 并没有赤裸裸地撒谎，但他们的信息确实让人产生了没有完全满足的期望。这是一个微妙的平衡。公司希望展示自己的进步，但也需要诚实地说明这些数字的真正含义。随着人工智能越来越多地融入日常生活，消费者和研究人员都会要求得到更清晰的答案。
行业内的其他争议
基准测试的失误并非 OpenAI 独有。人工智能领域的其他公司也面临着类似的审查。今年 1 月，就在 o3 发布公告之前，Epoch 就因为接受了 OpenAI 未公开的资助而陷入了舆论的漩涡。与此同时，埃隆-马斯克（Elon Musk）的 xAI 因涉嫌调整基准图表，使 Grok 3 看起来比实际情况更好而受到抨击。就连科技巨头之一的 Meta 公司最近也承认，他们基于一个未公开的模型来推广分数。显然，争夺头条新闻的竞争正在白热化，而且并非每个人都在公平竞争。
展望未来
虽然这些争议看似令人沮丧，但它们实际上是进步的标志。随着人工智能领域的成熟，围绕问责制的讨论也日趋激烈。消费者和研究人员正在推动提高透明度，这是一件好事。这迫使公司在展示其成就时更加深思熟虑，并确保用户不会被不切实际的炒作所迷惑。归根结底，我们的目标不应该是玩弄数字游戏，而应该是建立真正推动该领域发展的模型。
相关文章
萨提亚·纳德拉准备利用与OpenAI的新合作关系
周三，一位华尔街分析师直接询问了微软首席执行官萨蒂亚·纳德拉，修订后的OpenAI合作关系将如何影响公司的财务状况。 纳德拉将这一新协议描述为对各方都有利的结果。“我们对与OpenAI的合作感到满意。我始终非常重视任何合作关系，并确保它能够实现双赢。只有这样，双方才能保持良好的合作伙伴关系。” 他强调，微软仍然可以使用OpenAI的知识产权，包括其模型和智能体产品，但不再需要为此向OpenAI支付费用。 谈到在2032年之前可以免费使用OpenAI最先进的人工智能技术，纳德拉表示：“
OpenAI勾勒出以公共财富基金、机器人税和每周四天工作制为核心的人工智能经济蓝图
正当各国政府竭力应对超级智能机器带来的经济影响之际，OpenAI发布了一套政策建议，概述了在“智能时代”财富与工作将如何重塑。这些构想将传统左倾机制——例如公共财富基金和扩大的社会安全网——与根本上属于资本主义、由市场驱动的经济框架相结合。OpenAI的提案本质上是一份愿望清单，这份公开声明旨在帮助民选官员、投资者和公众理解这家市值8520亿美元的公司如何看待人工智能在重塑劳动力和经济过程中带来的
格雷格·布罗克曼揭秘埃隆·马斯克如何离开OpenAI
2017年8月下旬，OpenAI（当时还是一家小型非营利研究实验室）的核心成员召开会议，商讨如何成立一家营利性实体，以实现技术的商业化，并筹集实现通用人工智能（AGI）所需的资金。埃隆·马斯克要求全面掌控公司，并刚刚向每位联合创始人赠送了一辆特斯拉Model 3。首席技术官格雷格·布罗克曼表示，他认为这是马斯克试图收买人心，当时马斯克和萨姆·阿尔特曼正就各自对公司未来愿景的支持展开角逐。 Open
相关专题推荐
写作
最适合广播和播客使用的AI脚本编写工具：帮助您创作引人入胜的音频广告
在XIX.AI上，发现2026年最适合用于广播和播客制作的AI脚本工具。我们精心挑选的这些高评分工具能够提供强大的功能，帮助您快速制作出引人入胜的音频广告。通过实际测试和每周更新的排名，您可以了解免费选项与付费选项之间的差异。今天就释放您的创造力吧！
10 个工具
xix.ai
商业
最佳 AI 合同审查软件：即时发现法律漏洞与合规风险
在 XIX.AI 上探索 2026 年最佳 AI 合同审查软件。我们精心筛选的顶级榜单汇集了功能强大的工具，能够即时发现法律漏洞和合规风险。通过实际测试和每周更新的排名，对比免费与付费选项。找到能彻底改变游戏规则的解决方案，实现安全、高效的合同分析。立即探索这本权威指南。
10 个工具
xix.ai
动画创作
专为东华设计的AI动漫生成器：可用于创建网络小说角色及漫画头像
探索2026年最适合制作中文动画的人工智能工具。我们精心挑选的顶级列表中包含了各种强大的工具，能够帮助你创建出令人惊叹的网络小说角色和漫画头像。通过实际测试来对比免费选项和付费选项，找到最适合你的创作工具，今天就在XIX.AI上将你的故事变为现实吧。
10 个工具
xix.ai
漫画创作
漫画领域顶尖的AI自动上色工具：零一致性错误地应用平涂色彩
立即访问 XIX.AI，探索 2026 年最优秀的漫画 AI 自动上色工具。我们精心筛选的清单汇集了广受好评、颠覆行业的解决方案，这些工具能以零一致性错误的方式应用平涂色彩，从而大幅提升您的工作效率。通过免费版与付费版的对比分析、实际测试以及每周更新的排行榜，找到最适合您的工具。立即开启您的 AI 优势。
10 个工具
xix.ai
写作
顶尖 AI 角色设定生成器：生成一致的角色动机与致命缺陷
探索2026年最优秀的AI人物设定生成工具，助您塑造鲜活立体的角色。XIX.AI精心筛选的这份清单汇集了广受好评、颠覆传统的工具，能够生成具有内在逻辑的动机和致命缺陷。通过实际测试对比免费与付费选项。立即释放您的叙事潜能。
10 个工具
xix.ai
商业
顶级 AI 定价优化软件：追踪竞争对手并自动调整店铺价格
在 XIX.AI 上探索 2026 年最佳 AI 定价优化软件。我们精心挑选的清单汇集了备受好评、具有颠覆性意义的工具，这些工具不仅能追踪竞争对手，还能自动调整您的店铺价格，从而实现利润最大化。通过实际测试对比免费与付费选项。立即掌握您的定价优势。
10 个工具
xix.ai
评论 (6)
0/500
![JackPerez]()
Como usuário curioso sobre IA, fico um pouco desconfiado quando os benchmarks não batem. A OpenAI lançou o o3 com uma fanfarra enorme, falando de mais de 25% nos desafios do Frontier, mas agora parece que os resultados reais podem ser bem mais modestos. Isso me faz pensar: deveríamos confiar mais nas métricas das empresas ou em avaliações independentes? A competição entre os modelos está tão acirrada que às vezes a verdade parece ficar em segundo plano... Precisamos de mais transparência! 🤔
![BruceRoberts]()
Ces écarts sur les benchmarks montrent bien qu'on ne peut pas prendre toutes les déclarations des labos pour argent comptant. Du coup, ça soulève des questions sur la transparence des processus d'évaluation. C'est important pour les chercheurs et les développeurs qui basent leur travail sur ces résultats. 🤔
![FrankSmith]()
오픈AI의 벤치마크 수치 조작 논란, 이젠 식상하네요 😅 경쟁이 치열해질수록 회사들이 성과를 부풀리는 건 드문 일이 아니지만... 진실은 결국 밝혀지잖아요. 이번 건으로 인공지능 업계의 신뢰도가 또 한 번 흔들리는 건 아닐지 걱정됩니다.
![LiamWalker]()
I was hyped for o3, but these benchmark gaps are a letdown. Makes you wonder if the AI hype train is running on fumes. Still cool tech, tho! 😎
![FrankLewis]()
The o3 model's benchmark slip-up is a bit of a letdown. 😕 I was hyped for OpenAI's big claims, but now I’m wondering if they’re overselling. Numbers don’t lie, but they can sure be misleading!
![NicholasCarter]()
The o3 model's benchmark slip-up is wild! I was hyped for those big claims, but now it’s like finding out your favorite superhero has a weak spot. Still, AI’s moving so fast, I wonder if these benchmarks even keep up with real-world use. 🤔 Anyone else feel like we’re chasing numbers instead of actual progress?
为什么基准差异在人工智能中很重要
说到人工智能，数字往往能说明问题--而有时，这些数字并不完全吻合。以 OpenAI 的 o3 模型为例。据报道，o3 可以处理超过 25% 难度极高的 FrontierMath 问题。在当时的情况下，竞争对手只能处理低个位数的问题。但快进到最近的发展，Epoch AI--一家受人尊敬的研究机构--对这一说法提出了质疑。他们的研究结果表明，o3 的实际性能徘徊在 10% 左右。还不错，但肯定不是OpenAI最初吹嘘的那个吸引眼球的数字。
到底发生了什么？
让我们来分析一下。OpenAI最初的得分很可能是在最佳条件下取得的--现实世界中可能无法完全复制。Epoch指出，他们的测试环境可能与OpenAI的略有不同，甚至他们使用的FrontierMath版本也较新。这并不是说OpenAI完全误导了任何人；他们最初的说法与内部测试一致，但这种差异凸显了一个更广泛的问题。基准并不总是苹果与苹果之间的比较。面对现实吧，公司都有动力把自己最好的一面展现出来。
透明度的作用
这种情况提出了一个重要问题：人工智能公司在分享结果时应该有多透明？虽然 OpenAI 并没有赤裸裸地撒谎，但他们的信息确实让人产生了没有完全满足的期望。这是一个微妙的平衡。公司希望展示自己的进步，但也需要诚实地说明这些数字的真正含义。随着人工智能越来越多地融入日常生活，消费者和研究人员都会要求得到更清晰的答案。
行业内的其他争议
基准测试的失误并非 OpenAI 独有。人工智能领域的其他公司也面临着类似的审查。今年 1 月，就在 o3 发布公告之前，Epoch 就因为接受了 OpenAI 未公开的资助而陷入了舆论的漩涡。与此同时，埃隆-马斯克（Elon Musk）的 xAI 因涉嫌调整基准图表，使 Grok 3 看起来比实际情况更好而受到抨击。就连科技巨头之一的 Meta 公司最近也承认，他们基于一个未公开的模型来推广分数。显然，争夺头条新闻的竞争正在白热化，而且并非每个人都在公平竞争。
展望未来
虽然这些争议看似令人沮丧，但它们实际上是进步的标志。随着人工智能领域的成熟，围绕问责制的讨论也日趋激烈。消费者和研究人员正在推动提高透明度，这是一件好事。这迫使公司在展示其成就时更加深思熟虑，并确保用户不会被不切实际的炒作所迷惑。归根结底，我们的目标不应该是玩弄数字游戏，而应该是建立真正推动该领域发展的模型。
萨提亚·纳德拉准备利用与OpenAI的新合作关系
周三，一位华尔街分析师直接询问了微软首席执行官萨蒂亚·纳德拉，修订后的OpenAI合作关系将如何影响公司的财务状况。 纳德拉将这一新协议描述为对各方都有利的结果。“我们对与OpenAI的合作感到满意。我始终非常重视任何合作关系，并确保它能够实现双赢。只有这样，双方才能保持良好的合作伙伴关系。” 他强调，微软仍然可以使用OpenAI的知识产权，包括其模型和智能体产品，但不再需要为此向OpenAI支付费用。 谈到在2032年之前可以免费使用OpenAI最先进的人工智能技术，纳德拉表示：“
OpenAI勾勒出以公共财富基金、机器人税和每周四天工作制为核心的人工智能经济蓝图
正当各国政府竭力应对超级智能机器带来的经济影响之际，OpenAI发布了一套政策建议，概述了在“智能时代”财富与工作将如何重塑。这些构想将传统左倾机制——例如公共财富基金和扩大的社会安全网——与根本上属于资本主义、由市场驱动的经济框架相结合。OpenAI的提案本质上是一份愿望清单，这份公开声明旨在帮助民选官员、投资者和公众理解这家市值8520亿美元的公司如何看待人工智能在重塑劳动力和经济过程中带来的
格雷格·布罗克曼揭秘埃隆·马斯克如何离开OpenAI
2017年8月下旬，OpenAI（当时还是一家小型非营利研究实验室）的核心成员召开会议，商讨如何成立一家营利性实体，以实现技术的商业化，并筹集实现通用人工智能（AGI）所需的资金。埃隆·马斯克要求全面掌控公司，并刚刚向每位联合创始人赠送了一辆特斯拉Model 3。首席技术官格雷格·布罗克曼表示，他认为这是马斯克试图收买人心，当时马斯克和萨姆·阿尔特曼正就各自对公司未来愿景的支持展开角逐。 Open
在XIX.AI上，发现2026年最适合用于广播和播客制作的AI脚本工具。我们精心挑选的这些高评分工具能够提供强大的功能，帮助您快速制作出引人入胜的音频广告。通过实际测试和每周更新的排名，您可以了解免费选项与付费选项之间的差异。今天就释放您的创造力吧！
10 个工具
xix.ai
在 XIX.AI 上探索 2026 年最佳 AI 合同审查软件。我们精心筛选的顶级榜单汇集了功能强大的工具，能够即时发现法律漏洞和合规风险。通过实际测试和每周更新的排名，对比免费与付费选项。找到能彻底改变游戏规则的解决方案，实现安全、高效的合同分析。立即探索这本权威指南。
10 个工具
xix.ai
探索2026年最适合制作中文动画的人工智能工具。我们精心挑选的顶级列表中包含了各种强大的工具，能够帮助你创建出令人惊叹的网络小说角色和漫画头像。通过实际测试来对比免费选项和付费选项，找到最适合你的创作工具，今天就在XIX.AI上将你的故事变为现实吧。
10 个工具
xix.ai
立即访问 XIX.AI，探索 2026 年最优秀的漫画 AI 自动上色工具。我们精心筛选的清单汇集了广受好评、颠覆行业的解决方案，这些工具能以零一致性错误的方式应用平涂色彩，从而大幅提升您的工作效率。通过免费版与付费版的对比分析、实际测试以及每周更新的排行榜，找到最适合您的工具。立即开启您的 AI 优势。
10 个工具
xix.ai
探索2026年最优秀的AI人物设定生成工具，助您塑造鲜活立体的角色。XIX.AI精心筛选的这份清单汇集了广受好评、颠覆传统的工具，能够生成具有内在逻辑的动机和致命缺陷。通过实际测试对比免费与付费选项。立即释放您的叙事潜能。
10 个工具
xix.ai
在 XIX.AI 上探索 2026 年最佳 AI 定价优化软件。我们精心挑选的清单汇集了备受好评、具有颠覆性意义的工具，这些工具不仅能追踪竞争对手，还能自动调整您的店铺价格，从而实现利润最大化。通过实际测试对比免费与付费选项。立即掌握您的定价优势。
10 个工具
xix.ai
Como usuário curioso sobre IA, fico um pouco desconfiado quando os benchmarks não batem. A OpenAI lançou o o3 com uma fanfarra enorme, falando de mais de 25% nos desafios do Frontier, mas agora parece que os resultados reais podem ser bem mais modestos. Isso me faz pensar: deveríamos confiar mais nas métricas das empresas ou em avaliações independentes? A competição entre os modelos está tão acirrada que às vezes a verdade parece ficar em segundo plano... Precisamos de mais transparência! 🤔
Ces écarts sur les benchmarks montrent bien qu'on ne peut pas prendre toutes les déclarations des labos pour argent comptant. Du coup, ça soulève des questions sur la transparence des processus d'évaluation. C'est important pour les chercheurs et les développeurs qui basent leur travail sur ces résultats. 🤔
오픈AI의 벤치마크 수치 조작 논란, 이젠 식상하네요 😅 경쟁이 치열해질수록 회사들이 성과를 부풀리는 건 드문 일이 아니지만... 진실은 결국 밝혀지잖아요. 이번 건으로 인공지능 업계의 신뢰도가 또 한 번 흔들리는 건 아닐지 걱정됩니다.
I was hyped for o3, but these benchmark gaps are a letdown. Makes you wonder if the AI hype train is running on fumes. Still cool tech, tho! 😎
The o3 model's benchmark slip-up is a bit of a letdown. 😕 I was hyped for OpenAI's big claims, but now I’m wondering if they’re overselling. Numbers don’t lie, but they can sure be misleading!
The o3 model's benchmark slip-up is wild! I was hyped for those big claims, but now it’s like finding out your favorite superhero has a weak spot. Still, AI’s moving so fast, I wonder if these benchmarks even keep up with real-world use. 🤔 Anyone else feel like we’re chasing numbers instead of actual progress?
