OpenAI 的 o3 AI 模型在一次基准测试中的得分低于公司最初所宣称的水平
OpenAI 与第三方对于 o3 模型的基准测试结果存在差异，这引发了外界对于公司在透明度及模型测试流程上的质疑。
当 OpenAI 在 12 月份推出 o3 模型时，公司宣称该模型在 FrontierMath（一套具有挑战性的数学题集）上能够正确回答略多于四分之一的问题。这个得分显著领先于竞争对手——下一个最佳模型仅能正确解答大约 2% 的 FrontierMath 题目。
OpenAI 首席研究官 Mark Chen 在一次直播中表示：“目前市面上所有产品在 FrontierMath 上的得分都低于 2%，而我们内部观察到，通过采用 o3 模型在激进的测试时计算设置下，我们能够达到超过 25% 的得分。”
然而，事实证明，这个数字很可能只是一个上界，是由一个使用更多计算资源的 o3 版本在测试中获得的，而这并非 OpenAI 上周公开发布的那一版本所具备的计算能力。
负责 FrontierMath 的研究机构 Epoch AI 于周五发布了对 o3 模型进行独立基准测试的结果。Epoch 的测试显示，o3 模型得分大约为 10%，远低于 OpenAI 声称的最高分数。
OpenAI 已经发布了备受期待的推理模型 o3，同时还推出了继 o3-mini 之后更小且成本更低的 o4-mini 模型。
Epoch 在 Twitter 上写道：“我们在数学和科学基准测试集合上对这些新模型进行了评估，结果已在线程中公布！ pic.twitter.com/5gbtzkEy1B” （2025 年 4 月 18 日）。
这并不意味着 OpenAI 本质上是在撒谎。公司在 12 月发布的基准测试结果展示了一个下界得分，这个得分与 Epoch 观察到的分数相吻合。Epoch 还指出，其测试设置很可能与 OpenAI 的有所不同，而且其评估使用了更新版本的 FrontierMath。
Epoch 在报告中写道：“我们与 OpenAI 结果之间的差异，可能是因为 OpenAI 使用了一个更强大的内部测试框架，在测试时动用了更多的计算资源，或是因为这些结果是在 FrontierMath 的不同子集上运行得到的（frontiermath-2024-11-26 中的 180 道题与 frontiermath-2025-02-28-private 中的 290 道题相比）。”
根据 ARC Prize Foundation 在 X 上的一篇博文，该组织曾测试过预发布版的 o3 模型，并指出公开版 o3 “是一个经过调优以适用于聊天/产品场景的不同模型”，这一点与 Epoch 的报告相印证。
ARC Prize 在推文中写道：“所有公布的 o3 计算层级都比我们基准测试的版本要小。”一般来说，计算资源更充足的版本预期能获得更好的基准测试得分。
当然，公开发布的 o3 模型未能达到 OpenAI 测试时所宣称的成绩，这一点实际上无关紧要，因为 OpenAI 的 o3-mini-high 和 o4-mini 模型在 FrontierMath 上的表现均优于 o3，并且 OpenAI 计划在未来几周推出性能更强的 o3 变种——o3-pro。
不过，这再次提醒我们在解读 AI 基准测试时不应只停留在表面，尤其当数据来源于一个手握商业服务的公司时。
随着厂商争相运用新模型争取头条新闻和市场关注，基准测试“争议”在 AI 行业中已日渐常见。
今年一月，Epoch 因在 OpenAI 宣布 o3 后才披露其获得的资金支持而受到批评；许多为 FrontierMath 贡献的学者直到公开报道后才得知 OpenAI 的参与。
最近，Elon Musk 的 xAI 被指控发布了误导性的基准测试图表，用以宣传其最新 AI 模型 Grok 3 的表现；而就在本月，Meta 承认曾宣传过某个模型版本的基准测试得分，而该版本与公司提供给开发者使用的版本不同。
