GPT-4.5，口碑又意外反轉(zhuǎn)了？

經(jīng)過3千多輪比較，GPT-4.5在全部類別拿下第一，位居LLM競技場首位！

「不看智商看情商」的GPT-4.5，不是推理模型，此前的基準測試中基本都是全班墊底，慘不忍睹。

結(jié)果一轉(zhuǎn)眼，它就在大模型競技場上登頂了？？

剛剛，LLM  Arena排行榜官宣：GPT-4.5 在所有類別中都位居榜首，在風格控制、多輪對話方面獨占鰲頭，拿到了1411的總分。

在多輪對話、困難提示、編碼、數(shù)學、創(chuàng)意寫作、指令遵循、長查詢等領(lǐng)域都是第一！

這個結(jié)果，也太讓人意外了吧……

馬斯克立馬跳出來表示：GPT-4.5只是短暫的第一，并不會維持太久。

果然，馬斯克話音剛落不久，大模型競技場的TOP 1就成了Grok-3，總分1412，跟GPT-4.5的比分緊咬，差距極小。

但無論如何，曾經(jīng)登頂TOP 1的GPT-4.5，給人們留下了一串串的疑問：它不光情商高，讓人如沐春風，而且絕頂聰明，睥睨群雄，天下第一，吊打o1、Grok-3、Clauede等前輩？？？

主打一個「高情商」的GPT-4.5，純靠情商就能拿下編程、數(shù)學等領(lǐng)域第一嗎？

現(xiàn)在，已經(jīng)直接有網(wǎng)友開始質(zhì)疑：大模型競技場是不是有什么問題了。

甚至還有人猜測：LLM是不是已經(jīng)學會操縱LMArena了？

GPT-4.5智商結(jié)果公布：得分94排名第五

就在同時，GPT-4.5的智商測試結(jié)果也公布了。

可以看到，GPT-4.5的線下測試智商為97，線上門薩測試智商為94。

總之，無論是線上還是線下智商測試，GPT-4.5的得分都沒有OpenAI的o1 Pro、o3 mini和o1-preview高。

這個結(jié)果，總算是合理了些。

而在眾多大模型中，線下智商測試得分最高的是OpenAI o1 pro，線上門薩智商測試得分最高的是OpenAI o1。

但要和人類比的話，GPT-4o可以說已經(jīng)和人類的智商齊平。

人類的平均智商，大概在90到110。愛因斯坦的智商約為160，而陶哲軒被認為世界上智商最高的人，得分在225到230之間。

人類的智商被LLM超越，應該也就是近在咫尺的事了。

然而也有很多人質(zhì)疑了：給LLM測智商，到底意義幾何呢？

原因在于，智商是一個和人類心智獨特性相關(guān)的度量，不可能與LLM相關(guān)。

網(wǎng)友實測驚喜：它很理解用戶意圖！

最近，奧特曼就曬出了自己和GPT-4.5對話的記錄。

他提問道：「奇點臨近，未知在哪一側(cè)」，你如何看待？

GPT-4.5意味深長地答道：我們已經(jīng)超越了奇點的事件視界，但只是剛剛越過。

我們已踏入奇點的引力范圍，但要理解它的后果，依然為時尚早。

顯然，奧特曼對于GPT-4.5的表現(xiàn)非常滿意。

而就在這些天的實測中，許多網(wǎng)友也發(fā)現(xiàn)，GPT-4.5擁有一種超凡的自我意識，在理解用戶意圖上令人驚喜。

比如下面這個例子中，用戶就開了一個關(guān)于國際象棋的粗俗玩笑，GPT-4.5沒有任何困難地就接住了這個梗，并且給出了適宜的回答。

這位AI大V表示，自己對此印象太深刻了！因為GPT-4.5在完全沒有經(jīng)過任何思考token的情況下，就抓住了這個微妙之處。

他感慨道：預訓練并沒有過時，只是在某些領(lǐng)域收益遞減了，但在其他領(lǐng)域卻得到了驚人的提升！

相比之下，對于這句讓LLM很難理解的人類粗俗玩笑，Claude Sonnet很顯然并沒有理解。

同樣，Grok 3也沒有g(shù)et到這句話的意思。

對此，不服氣的馬斯克還出現(xiàn)在了評論區(qū)，貼上了Grok 3的回復，力證它并沒有落后。

GPT-4.5并非文武雙全

仔細看競技場排名，目前在「語言」（language）選項上，UB排名第一的是Grok-3-Preview-02-24，得分1412，共3364次投票。

GPT-4.5-Preview的UB排名第二，得分1411，只在「風格控制」（StyleCtrl）上排名第一，共3224次投票。

· UB排名：模型的排名上限，由統(tǒng)計上優(yōu)于目標模型的數(shù)量加一確定。當模型A的95%置信區(qū)間下限分數(shù)高于模型B的上限分數(shù)時，認為模型A在統(tǒng)計上優(yōu)于模型B。

· 風格控制排名：考慮了響應長度和Markdown使用等影響因素的模型排名，從而將模型性能與潛在的混淆因素分離。

「綜合」（Overall）選項上，Grok-3和GPT-4.5排名并列第一，后者在部分項目上有微弱優(yōu)勢。

在編程（coding）和數(shù)學（math）上，GPT-4.5的確和Grok-3并列第一。

按不同語言分類，Grok-3和GPT-4.5在英文、中文、德文等語言上并列第一。

此外DeepSeek-R1在中文上也是第一。

WebDev Arena是實時進行的AI編程競賽，各個模型在「網(wǎng)頁開發(fā)」挑戰(zhàn)中直接對決，GPT-4.5壓根沒參賽！

而且OpenAI的模型表現(xiàn)并非佳，最好的o3-mini-high與Early-grok-3并列第4，落后與Claude 3.7 Sonnet、Claude 3.5 Sonnet以及DeepSeek-R1。

GPT-4.5新王登基？測試讓人大跌眼鏡

對于GPT-4.5，某研究者也發(fā)表了一篇博客，來對它詳細進行了剖析。

GPT-4.5在社區(qū)中引發(fā)了褒貶不一的反應。

盡管前期進行了大肆炒作，該模型卻未能完全達到人們的高期望。

一些測試結(jié)果讓人大跌眼鏡。

Karpathy的測試表明，在五分之四的情況下，用戶更傾向于GPT-4o的回答。

盡管GPT-4.5被宣傳為更具創(chuàng)意和情商，但在實際的用戶體驗中，這些優(yōu)勢并沒有充分體現(xiàn)出來。

甚至有用戶反饋，在創(chuàng)意寫作方面，GPT-4.5的表現(xiàn)不如之前的模型。

此外，高昂的使用成本也成為了推廣GPT-4.5的一大障礙。

與GPT-4o相比，GPT-4.5的API價格大幅上漲：輸入token價格從每百萬2.50美元漲到了75美元，輸出token價格從每百萬10美元漲到了150美元。

用戶對GPT-4.5的高價普遍表示難以接受，一些網(wǎng)友直言「只是為了感覺更有氛圍而花75美元」。

對于小型公司和獨立開發(fā)者來說，如此高昂的成本無疑是一個巨大的負擔，影響了GPT-4.5的廣泛應用。

GPT-4.5的高價格可能反映了背后的資源約束。

Altman表示，盡管公司希望同時推出GPT-4.5 Plus和Pro版本，但GPU資源已經(jīng)用盡，計劃在下周增加數(shù)萬個GPU，然后才能推廣到Plus用戶。

盡管GPT-4.5在某些方面取得了明顯的進步，許多人期望的全面改進卻并未實現(xiàn)。

由于其龐大的規(guī)模和復雜的架構(gòu)，GPT-4.5的響應速度更慢，降低了用戶體驗。

Sam Altman對GPT-4.5的高調(diào)宣傳，抬高了人們的期望，他將其描述為第一個「真正讓人感受到AGI」的時刻。

如果現(xiàn)實未能達到預期，這種宣傳也會像回旋鏢一樣對他不利。

為什么現(xiàn)在發(fā)布GPT-4.5？

與GPT-4兩年前的盛大發(fā)布相比，GPT-4.5的發(fā)布出奇地低調(diào)簡約，令許多人感到意外。

Sam Altman沒有親自出席這次發(fā)布會，這引發(fā)了外界對OpenAI對GPT-4.5的重視程度和信心的疑問。

GPT-4.5的目標受眾主要是廣大的普通用戶，借助AI完成撰寫郵件、總結(jié)文章等任務。

GPT-4.5是OpenAI從GPT-4o向GPT-5過渡的關(guān)鍵橋梁，成為了創(chuàng)意、溝通和解決實際問題的日常伙伴。

OpenAI明確表示，GPT-4.5并非旨在取代GPT-4o，這一表態(tài)進一步增加了市場對GPT-4.5未來的不確定性。

對許多人來說，ChatGPT就是AI的代名詞，再加上OpenAI對AGI的大力炒作，提高了人們對新模型的期待。

GPT-4.5發(fā)布的原因可能是市場競爭加劇。

短時間內(nèi)，越來越多更好的模型進入市場。DeepSeek R1可以與GPT-4o相媲美，xAI的Grok 3看起來幾乎像人類，OpenAI面臨著巨大的壓力。

GPT-5預計在幾個月內(nèi)發(fā)布，首次在模型中結(jié)合推理和非推理組件，可以自主決定對查詢的反應強度，即「推理擴展」。

GPT-4.5是戰(zhàn)略性回應，目標是留住付費用戶，防止其在GPT-5發(fā)布前轉(zhuǎn)向競爭對手，保持OpenAI在市場中的領(lǐng)先地位。