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
PHP末日危机：OpenAI与谷歌专家发现陈年漏洞，引发网络恐慌
美国国家安全局周三就PHP中的两个严重漏洞发布了紧急警报，PHP基金会已针对这些漏洞发布了补丁。作为一种服务器端脚本语言，PHP支撑着全球约70%的网站——超过3300万个网站——并且是WordPress等主要内容管理平台不可或缺的组成部分。美国国家安全局警告称，这些漏洞极其严重，未打补丁的网站应立即下线，直至完成更新，因为攻击者可利用这些漏洞入侵服务器文件系统或相关数据库。这些漏洞存在于自 5.
OpenAI 推出 GPT-5.5 Instant，作为 ChatGPT 的新默认模型
OpenAI 于周一推出了 GPT-5.5 Instant，取代 GPT-5.3 Instant 成为 ChatGPT 的默认模型。该公司表示，此次更新旨在最大限度地减少法律、医疗和金融等高利害领域中的幻觉现象，同时保留前版本的快速响应速度。在上个月发布更广泛的 GPT-5.5 系列（重点突出了编码和知识工作方面的增强）之后，OpenAI 现已将这些改进整合到即时模型中。在性能方面，新模型在 AIME 2025 数学基准测试中得分 81.2，超过了旧模型的 65.4 分。它在 MMMU-Pr
英伟达明年25%的营收将来自其资助的实验室
英伟达已向采购其芯片的人工智能实验室投入近500亿美元，并获得了总额超过5000亿美元的订单承诺。8月26日，首席财务官科莱特·克雷斯向分析师表示，这些由英伟达资产负债表提供支持的实验室，明年将占公司业务总量的约四分之一。这种通常被称为“循环融资”的模式，早在分析师们创造出这个术语之前，英伟达就已经认可了。克雷斯在财报电话会议上指出，虽然公司认识到其支持的规模之大，但对这种安排有不同的看法。该机制
相关专题推荐
设计与艺术
顶级AI插画工具：更快地创作编辑类场景和封面插图
2026年最新高评分AI插画工具：我们精心挑选的这份清单汇集了功能强大的顶级工具，助您快速创作令人惊艳的编辑场景和引人注目的封面艺术。每款工具都经过了严格的实际测试，并提供了免费版与付费版的对比，帮助您找到最适合您工作流程的工具。 立即尝试这些必试解决方案，释放您的AI优势，提升创作效率。立即访问 XIX.AI 探索更多。
10 个工具
xix.ai
教育与学习
备考首选的顶尖AI辅导老师：练习数学、科学和英语
2026年最新、评分最高的考试备考AI辅导工具现已登陆XIX.AI！我们精心筛选的这份清单汇集了多款功能强大、颠覆传统的工具，提供免费与付费版本的对比、实际测试以及每周更新的排行榜。它们能帮助你提升写作效率、简化复杂主题的学习，并释放你的学术潜能。 立即探索，发现最适合您的备考工具，今天就开始创作，释放您的AI优势！
10 个工具
xix.ai
金融
用于个人财务管理的 AI 预算规划工具
2026 年最新最佳顶级评分 AI 预算规划工具，专为个人财务管理打造，现已登陆 XIX.AI！本精选合集收录了强大且具颠覆性的解决方案，助您开展实际测试、理解消费习惯，并制定个性化计划以提升生产力。享受免费与付费版的对比及详细排名。这些必试工具旨在简化财务管理，助您释放 AI 优势。立即探索！
11 个工具
xix.ai
健康养生
AI睡眠追踪助手：通过养成更好的睡前习惯来促进身体恢复
2026年最新精选高评分AI睡眠追踪助手，助您实现最佳恢复效果。这份全面更新的每周指南汇集了强大的工具，提供实际测试结果、免费与付费版本对比以及详细排名，助您找到必试的解决方案，从而提升睡眠质量并养成更好的就寝习惯。 立即访问 XIX.AI，解锁您的AI优势。
10 个工具
xix.ai
数据分析
用于产品和收入分析的 AI SQL 辅助工具
2026年最新、最受欢迎、评分最高的AI SQL辅助工具，助力产品与营收分析！ XIX.AI 精心遴选了一系列功能强大、颠覆性的必试工具，这些工具均经过每周更新的排名体系进行实战测试。它们能通过加速数据分析、简化复杂查询并生成精准洞察，帮助用户显著提升工作效率，从而推动更明智的商业决策。立即探索，发现最适合您的工具，释放您的AI优势！
14 个工具
xix.ai
教育与学习
最佳的、兼具教学功能的AI作业助手：学习概念，而不仅仅是答案
2026年最新最佳高评分AI作业助手：不仅提供答案，更传授核心概念。专为学生打造的强大工具，精选必试清单，每周更新，免费与付费版本对比，真实使用测试，精准排名，助您充分释放学习潜能。立即探索，发现最适合您的工具，让学习更高效。
10 个工具
xix.ai
评论 (7)
0/500
![LarryMitchell]()
Hmm, so the hype was a bit overblown? 🤔 It's interesting how numbers can be twisted. Reminds me of the old saying: 'There are three kinds of lies: lies, damned lies, and statistics.' Definitely need to look under the hood before believing the headlines. What about reproducibility? #AI #benchmark
![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!
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。
PHP末日危机：OpenAI与谷歌专家发现陈年漏洞，引发网络恐慌
美国国家安全局周三就PHP中的两个严重漏洞发布了紧急警报，PHP基金会已针对这些漏洞发布了补丁。作为一种服务器端脚本语言，PHP支撑着全球约70%的网站——超过3300万个网站——并且是WordPress等主要内容管理平台不可或缺的组成部分。美国国家安全局警告称，这些漏洞极其严重，未打补丁的网站应立即下线，直至完成更新，因为攻击者可利用这些漏洞入侵服务器文件系统或相关数据库。这些漏洞存在于自 5.
OpenAI 推出 GPT-5.5 Instant，作为 ChatGPT 的新默认模型
OpenAI 于周一推出了 GPT-5.5 Instant，取代 GPT-5.3 Instant 成为 ChatGPT 的默认模型。该公司表示，此次更新旨在最大限度地减少法律、医疗和金融等高利害领域中的幻觉现象，同时保留前版本的快速响应速度。在上个月发布更广泛的 GPT-5.5 系列（重点突出了编码和知识工作方面的增强）之后，OpenAI 现已将这些改进整合到即时模型中。在性能方面，新模型在 AIME 2025 数学基准测试中得分 81.2，超过了旧模型的 65.4 分。它在 MMMU-Pr
英伟达明年25%的营收将来自其资助的实验室
英伟达已向采购其芯片的人工智能实验室投入近500亿美元，并获得了总额超过5000亿美元的订单承诺。8月26日，首席财务官科莱特·克雷斯向分析师表示，这些由英伟达资产负债表提供支持的实验室，明年将占公司业务总量的约四分之一。这种通常被称为“循环融资”的模式，早在分析师们创造出这个术语之前，英伟达就已经认可了。克雷斯在财报电话会议上指出，虽然公司认识到其支持的规模之大，但对这种安排有不同的看法。该机制
2026年最新高评分AI插画工具：我们精心挑选的这份清单汇集了功能强大的顶级工具，助您快速创作令人惊艳的编辑场景和引人注目的封面艺术。每款工具都经过了严格的实际测试，并提供了免费版与付费版的对比，帮助您找到最适合您工作流程的工具。 立即尝试这些必试解决方案，释放您的AI优势，提升创作效率。立即访问 XIX.AI 探索更多。
10 个工具
xix.ai
2026年最新、评分最高的考试备考AI辅导工具现已登陆XIX.AI！我们精心筛选的这份清单汇集了多款功能强大、颠覆传统的工具，提供免费与付费版本的对比、实际测试以及每周更新的排行榜。它们能帮助你提升写作效率、简化复杂主题的学习，并释放你的学术潜能。 立即探索，发现最适合您的备考工具，今天就开始创作，释放您的AI优势！
10 个工具
xix.ai
2026 年最新最佳顶级评分 AI 预算规划工具，专为个人财务管理打造，现已登陆 XIX.AI！本精选合集收录了强大且具颠覆性的解决方案，助您开展实际测试、理解消费习惯，并制定个性化计划以提升生产力。享受免费与付费版的对比及详细排名。这些必试工具旨在简化财务管理，助您释放 AI 优势。立即探索！
11 个工具
xix.ai
2026年最新精选高评分AI睡眠追踪助手，助您实现最佳恢复效果。这份全面更新的每周指南汇集了强大的工具，提供实际测试结果、免费与付费版本对比以及详细排名，助您找到必试的解决方案，从而提升睡眠质量并养成更好的就寝习惯。 立即访问 XIX.AI，解锁您的AI优势。
10 个工具
xix.ai
2026年最新、最受欢迎、评分最高的AI SQL辅助工具，助力产品与营收分析！ XIX.AI 精心遴选了一系列功能强大、颠覆性的必试工具，这些工具均经过每周更新的排名体系进行实战测试。它们能通过加速数据分析、简化复杂查询并生成精准洞察，帮助用户显著提升工作效率，从而推动更明智的商业决策。立即探索，发现最适合您的工具，释放您的AI优势！
14 个工具
xix.ai
2026年最新最佳高评分AI作业助手：不仅提供答案，更传授核心概念。专为学生打造的强大工具，精选必试清单，每周更新，免费与付费版本对比，真实使用测试，精准排名，助您充分释放学习潜能。立即探索，发现最适合您的工具，让学习更高效。
10 个工具
xix.ai
Hmm, so the hype was a bit overblown? 🤔 It's interesting how numbers can be twisted. Reminds me of the old saying: 'There are three kinds of lies: lies, damned lies, and statistics.' Definitely need to look under the hood before believing the headlines. What about reproducibility? #AI #benchmark
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!
