推理模型不會(huì)推理，一夜成為硅谷最熱門的話題。

來自Epoch AI最新報(bào)告稱，o3-mini-high不僅會(huì)推理，還能破解頂尖數(shù)學(xué)難題。

14位數(shù)學(xué)家組團(tuán)，共同評(píng)估o3在29道FrontierMath推理能力。

結(jié)果驚奇地發(fā)現(xiàn)，o3-mini-high完全憑借「數(shù)學(xué)直覺」破解了難題，并非依靠單純死記硬背完成。

他們還發(fā)現(xiàn)，o3具備一種類似物理學(xué)家思維方式，許多推理步驟缺少嚴(yán)格的論證、精確的證明。

一位數(shù)學(xué)家稱之為，「基于直覺的歸納推理器」。

缺乏創(chuàng)造力和深入的理解，成為o3最大的弱點(diǎn)。

在29道數(shù)學(xué)題考試中，o3-mini-high都有哪些表現(xiàn)，以下是報(bào)告所有細(xì)節(jié)。

o3攻克13題，學(xué)識(shí)直覺兼具

在29個(gè)推理過程中，有13個(gè)得出了正確答案——o3-mini-high到底是怎么搞定這些數(shù)學(xué)難題的呢？

超強(qiáng)學(xué)識(shí)——不只是死記硬背

一個(gè)關(guān)鍵因素是它那驚人的學(xué)識(shí)，這一點(diǎn)毫不意外，畢竟它接受了海量數(shù)據(jù)的訓(xùn)練。

o3-mini-high能應(yīng)對(duì)各種領(lǐng)域的FrontierMath問題，數(shù)學(xué)家們一致認(rèn)為它的知識(shí)儲(chǔ)備非常豐富。

一位數(shù)學(xué)家評(píng)價(jià)說：「o3-mini-high能準(zhǔn)確擴(kuò)展問題的數(shù)學(xué)背景，涉及一些非常高深的概念。它的通用知識(shí)和對(duì)問題的理解完全不是瓶頸?！?/span>

而且，這可不是單純的死記硬背。

即使問題設(shè)計(jì)者故意隱藏了解題所需的關(guān)鍵技術(shù)，數(shù)學(xué)家們普遍發(fā)現(xiàn)，o3-mini-high依然有不錯(cuò)的能力調(diào)用正確的定理來推進(jìn)解題。

特別是在大約66%的推理中，數(shù)學(xué)家們對(duì)模型調(diào)用相關(guān)數(shù)學(xué)結(jié)果的能力給出了至少3分（滿分5分）的高評(píng)價(jià)。

評(píng)審數(shù)學(xué)家普遍發(fā)現(xiàn)，o3-mini-high在調(diào)用數(shù)學(xué)文獻(xiàn)中的相關(guān)結(jié)果方面表現(xiàn)尚可，在約三分之二的問題上獲得了3/5或更高的評(píng)分

全憑直覺，缺少精確

如前所述，o3-mini-high推理過程，更傾向于非正式的風(fēng)格。

簡(jiǎn)言之，它是一個(gè)「基于直覺的歸納推理器」，并且擁有類似數(shù)學(xué)家好奇心，找出解決問題的最簡(jiǎn)單的方法。

不過，在數(shù)學(xué)家看來，o3思考過程略顯隨意，不夠精確。

而且，其初始思路表述往往很粗糙，用語也不夠嚴(yán)謹(jǐn)。存在一些在正式數(shù)學(xué)論文中不被接受的特殊情況。

o3-mini-high為何不采用更形式化的推理？

Epoch尚未完全弄清其中緣由，但至少可以確定，并不僅僅是「模型偷懶」那么簡(jiǎn)單。

比如，他們發(fā)現(xiàn)，o3在需要的時(shí)候，會(huì)毫不猶豫地進(jìn)行計(jì)算和寫代碼。

這一看似并不起眼的繁瑣步驟，卻可以讓模型能夠保持更扎實(shí)、更少抽象的風(fēng)格。

不可否認(rèn)，其推理依舊依賴的是直覺。

而且，另一種可能是，預(yù)訓(xùn)練中「形式化推理」數(shù)據(jù)集占比少，后期難以完美激發(fā)o3所有潛力。

三大短板曝出

缺乏精確性

上面提到的形式化精確性不足問題，是o3-mini-high的主要短板之一。

比如，一位數(shù)學(xué)家指出：「o3-mini-high相比人類數(shù)學(xué)家的一個(gè)明顯不足在于，它不會(huì)在發(fā)現(xiàn)某個(gè)結(jié)論后嘗試去證明它。」

在一個(gè)案例中，o3-mini-high通過非正式推理提出了一個(gè)正確的猜想，但完全沒有嘗試去證明這個(gè)猜想，而是直接用這個(gè)猜想來解決問題。

最后還得到了正確答案。

他們把這種情況稱之為「投機(jī)取巧」（cheesing）。

也就是說，模型基本上是靠猜答案，而沒有經(jīng)過完整的推理過程，完整的推理應(yīng)該包括去證明相關(guān)的猜想。

在模型得出正確答案的推理過程中，投機(jī)取巧的情況占了相當(dāng)少的部分：

「投機(jī)取巧」現(xiàn)象相對(duì)常見，但o3-mini-high在絕大多數(shù)情況下都能正確解決問題，且沒有任何投機(jī)取巧行為（即得分為5）。該圖僅適用于o3-mini-high正確回答所提問題的推理軌跡

有時(shí)，o3-mini-high的思路大致是對(duì)的，但未能得出正確答案，僅僅是因?yàn)樗茨芙⑵鹱詈箨P(guān)鍵的聯(lián)系。

比如，在一個(gè)關(guān)于劃分理論的問題中，模型只差一步就能答對(duì)，作者評(píng)論說：「如果它把n=0到某個(gè)數(shù)的輸出求和，答案就對(duì)了。我對(duì)它的表現(xiàn)真的很佩服?！?/span>

不過，更多時(shí)候，o3-mini-high并沒有這么接近解決問題，如下圖所示：

只有大約18%的情況下，o3-mini-high得到錯(cuò)誤解的情況非常接近正確解——總體而言，推理的正確程度分布更為廣泛

缺乏創(chuàng)造力和深刻理解

數(shù)學(xué)家們認(rèn)為，o3-mini-high最大的局限性在于缺乏創(chuàng)造力和深刻的理解，尤其是與具有同等知識(shí)水平的人類相比。

一位數(shù)學(xué)家這樣總結(jié)道：

這個(gè)模型就像一個(gè)勤奮的研究生，讀了很多書，能隨口說出很多結(jié)果和作者的名字。初看之下挺厲害，但專家很快就會(huì)發(fā)現(xiàn)，這個(gè)「學(xué)生」并沒有真正深入理解這些內(nèi)容，大多只是鸚鵡學(xué)舌般地復(fù)述。

模型的表現(xiàn)也是如此——它擅長(zhǎng)識(shí)別相關(guān)內(nèi)容，但無法以創(chuàng)新的方式擴(kuò)展或應(yīng)用這些知識(shí)。

另一位數(shù)學(xué)家則說：

這個(gè)模型有幾個(gè)它偏愛的思路，總是試圖套用這些想法。

一旦這幾個(gè)思路用盡，就沒有實(shí)質(zhì)性進(jìn)展了。

我覺得這挺讓人失望的，作為一個(gè)專業(yè)組合數(shù)學(xué)家，我會(huì)期待它能更具創(chuàng)造性地解決問題，或者換個(gè)角度去思考（即便這些嘗試可能會(huì)失?。?。

有位數(shù)學(xué)家甚至打趣道：「讓AI解一道需要新思路的八年級(jí)數(shù)學(xué)競(jìng)賽題，可能比算一個(gè)大有限域上的超橢圓曲線有多少個(gè)點(diǎn)還難?！?/span>

雖然這話聽起來夸張，但它反映的情況和大多數(shù)數(shù)學(xué)家的觀察差不多。

幻覺問題

模型還表現(xiàn)出許多其他失敗模式。

一個(gè)顯著問題是，大約75%的推理過程包含「幻覺」，經(jīng)常記錯(cuò)數(shù)學(xué)術(shù)語和公式。

例如，一位數(shù)學(xué)家指出：「雖然它常常能回憶起相關(guān)公式的名字，但卻無法準(zhǔn)確復(fù)現(xiàn)，經(jīng)常在無法回憶細(xì)節(jié)的地方插入占位符，如(…)。」

o3-mini-high在使用工具和資源（如網(wǎng)絡(luò)搜索）時(shí)也存在問題。

比如，有人描述它「試圖從許多它幻想出來的不存在的URL中獲取信息」。這類問題在需要準(zhǔn)確表達(dá)非常冷門的數(shù)學(xué)結(jié)果時(shí)就顯得尤為關(guān)鍵。

的確，有一位受訪者認(rèn)為：「一個(gè)能夠執(zhí)行類似瀏覽Google或arXiv，以查找潛在相關(guān)結(jié)果的智能體系統(tǒng)將大大提高它們?cè)趯?shí)際問題中的表現(xiàn)?！?/span>

推理像人，又不像人，為何？

o3-mini-high推理過程，與人類數(shù)學(xué)家有相似之處嗎？

對(duì)此，Epoch AI針對(duì)模型CoT和人類數(shù)學(xué)家進(jìn)行了比對(duì)。整體講，最終答案因不同數(shù)學(xué)家、推理過程而異。

如下圖所示，數(shù)學(xué)家對(duì)o3-mini-high推理像人程度，進(jìn)行了打分。

雖沒有達(dá)到完全無法區(qū)分的程度，但AI在解答四道題目中，拿下了與人類數(shù)學(xué)家思維過程類似的成績(jī)。

1分表示推理完全不像人類，5分表示推理與人類數(shù)學(xué)家無法區(qū)分

此外，在其他區(qū)間，o3均有涉及。為何跨度如此廣泛？

研究團(tuán)隊(duì)分析稱，之所以有這么大的差異，與o3-mini-high具備多樣化能力組合有關(guān)，至少對(duì)于人類來說是這樣。

一方面，它似乎非常擅長(zhǎng)像人類一樣推理問題，表現(xiàn)出好奇心并探索問題的不同解決路徑。

另一方面，它似乎知識(shí)過于淵博，缺乏創(chuàng)造力和嚴(yán)謹(jǐn)性，而且還有一些奇怪的「怪癖」。

做題過程中，o3-mini-high推理過程往往非常冗長(zhǎng)。甚至數(shù)學(xué)家形象地將其比作——口試中長(zhǎng)篇大論的學(xué)生，倒也不是壞事。

然而，并非所有的冗長(zhǎng)推理細(xì)節(jié)，都明顯有用。有時(shí)，AI在提交最終答案時(shí)，會(huì)出現(xiàn)類人的「焦慮」情緒。

舉個(gè)例子，o3-mini-high會(huì)最終陷入一種「反復(fù)重述」的循環(huán)怪圈——

已完成解答，上面推理過程就是最終答案，還夾雜著自我懷疑的內(nèi)心OS，然后又重新一步步計(jì)算得出最終公式的某些算術(shù)。

不僅是o3，任何一個(gè)推理模型，都會(huì)陷入這類的死循環(huán)。

至少在這種情況下，模型的推理過程明顯不像一個(gè)冷靜的人類數(shù)學(xué)家。

討論

基于以上內(nèi)容，我們可以簡(jiǎn)單地將o3-mini-high總結(jié)為「一個(gè)博學(xué)但基于感覺的推理者，缺乏專業(yè)數(shù)學(xué)家的創(chuàng)造力和嚴(yán)謹(jǐn)性，且傾向于奇怪地冗長(zhǎng)或重復(fù)」。

這似乎與我們?cè)诰W(wǎng)上看到的數(shù)學(xué)家的觀點(diǎn)大體一致。

他們認(rèn)為，這一分析自然而然地引出了兩個(gè)關(guān)鍵問題。

第一個(gè)問題是：為什么像o3-mini-high這樣的推理模型會(huì)展現(xiàn)出這些特性？

一部分原因顯而易見——這些模型之所以博學(xué)，是因?yàn)樗鼈冊(cè)诖罅繑?shù)據(jù)上接受了訓(xùn)練，其中包括了大量公開的數(shù)學(xué)文獻(xiàn)。

但更讓人好奇的是，為什么這些模型并不能更深入地利用已有知識(shí)，在不同數(shù)學(xué)子領(lǐng)域之間建立更多聯(lián)系，或者更具創(chuàng)造性地提出新想法？

這個(gè)問題的答案仍不明朗。

第二個(gè)問題是：這些推理模型在目前的弱項(xiàng)（比如創(chuàng)造力和形式化推理）方面，未來還能改進(jìn)到什么程度？而這樣的進(jìn)步，又會(huì)怎樣重塑整個(gè)數(shù)學(xué)推理的方式？

比如，我們可以把o3-mini-high的推理方式和AlphaProof這樣的系統(tǒng)作比較——后者主要甚至完全基于合成數(shù)據(jù)訓(xùn)練，因此它「見過」的數(shù)學(xué)世界可能完全不同。

考慮到數(shù)學(xué)本身對(duì)合成數(shù)據(jù)的高度適應(yīng)性，有理由認(rèn)為，未來的推理模型在思維方式上可能會(huì)和人類數(shù)學(xué)家越來越不一樣。

當(dāng)然，我們現(xiàn)在的理解還只是剛剛觸及這些模型工作機(jī)制的表層。希望未來能有更多類似的分析，來揭示這些系統(tǒng)背后的深層邏輯。