GPT-4.5来了！OpenAI新模型，是“情商”飞跃还是参数堆砌？

不追求跑分，GPT-4.5更懂你？

Sam Altman 最近透露，OpenAI 准备推出 GPT-4.5。他表示，这款新模型给他的感觉就像在和一个真正会思考的人交流，有时甚至被 AI 给出的中肯建议所惊讶。

不过，GPT-4.5 是一个庞大且昂贵的模型。由于用户增长迅速，GPU 资源紧张，OpenAI 计划逐步向用户开放。Sam Altman 承认这不是最理想的运营方式，但用户增长和 GPU 短缺确实难以预测。

值得注意的是，GPT-4.5 并非专注于推理的模型，它在基准测试中可能不会创造记录。但它展现了一种不同的智能，Sam Altman 称之为他从未感受过的魔力。

GPT-4.5：性能几何？

GPT-4.5 虽然不是最前沿的模型，但它是 OpenAI 目前最大的语言模型，计算效率比 GPT-4 提升了10倍以上。与其他模型相比，它的表现很有特点：

优势：

• 多语言能力（MMMLU multilingual）：85.1%，领先其他模型。
• 多模态任务（MMMU multimodal）：74.4%，比 GPT-4o 有明显提升。
• 科学问答（GPQA science）：71.4%，比 GPT-4o 显著提升。

不足：

• 数学能力（AIME '24）：36.7%，远低于 o3-mini 的 87.3%。
• 编程能力（SWE-Bench）：38%，比不上 o3-mini 的 61%。

在 OpenAI 最近开源的软件工程评估基准 SWE-Lancer Diamond 测试中，GPT-4.5（32.6%）表现出色。

"真实性"大幅提升，幻觉率降低

在 SimpleQA 测试中，GPT-4.5 表现最佳：准确率 62.5%，幻觉率 37.1%。相比之下，o3-mini 在此测试中表现最差，准确率仅 15%，幻觉率高达 80.3%。

GPT-4.5 的幻觉率比 GPT-4o 降低了近 24 个百分点。这表明 GPT-4.5 在“真实性”方面有了显著提升，能给出更准确、可靠的回答。这可能是 Sam Altman 所说的“不同类型的智能”的一种体现。

GPT-4.5：一次“全面小提升”

回顾 GPT 家族的进化：

• GPT-1：勉强能写出通顺的文字。
• GPT-2：玩具级别。
• GPT-3：开始变得有趣。
• GPT-3.5：首次达到可商用水平，催生了 ChatGPT。
• GPT-4：整体提升约 20%，但改进较为微妙。

每个 0.5 版本意味着训练算力增加 10 倍。那么 GPT-4.5 呢？

与 GPT-4 相比，GPT-4.5 是一次“全面小提升”，主要在“情商”相关任务上有进步：

• 世界知识更丰富
• 创造力提升
• 类比更准确
• 幽默感增强
• 理解能力更强

但要注意的是，这只是预训练模型，还没有加入推理能力。在数学、编程等需要推理的任务上，它不如 o1。OpenAI 可能会用强化学习进一步提升它的思考能力。

编程能力测试结果

OpenAI 用内部题库测试了 GPT-4.5 的编程能力，题目包括 18 道编程题和 97 道选择题。

GPT-4.5 在编程题上得分 79%，与 deep research 持平，但比 o3-mini 的 92% 略低。

然而，在 SWE-bench Verified 测试中，GPT-4.5 在软件工程能力上的提升并不明显，甚至可以说是令人意外的低：

• GPT-4.5 Pre 得分 35%，Post 得分 38%，比 GPT-4o 仅提升 2-7%。
• 远低于其他模型：o1 达到 48%，o3-mini 达到 61%，deep research 更是达到 68%，差距接近 30%。
• 与 Claude 3.5/3.7 的成绩相比差距更大（Claude 3.7 Sonnet 达到了 70.3%）。
• " Pre/Post " 主要指的是安全对齐前（Pre-mitigation）和安全对齐后（Post-mitigation），也就是安全微调（safety tuning）之前和之后的状态。

此外，GPT-4.5 在 agentic tasks 上的表现并不理想，得分仅为 40%，远低于 deep research 的 76%，甚至比 o1 的 36% 还要差。

MMLU 零样本语言测试结果显示：

• o1 在所有语言上表现最好，英语得分 0.923。
• GPT-4.5 整体略低于 o1，但高于 GPT-4o。
• 主流语言如英语、法语、西班牙语表现较好，小语种如 Yoruba 和 Swahili 得分相对较低。

参数规模与性能提升的思考

看看参数规模：

• GPT-4o：约 200B 参数
• GPT-4：1.76T 参数
• GPT-4.5：超过 2T 参数

然而，性能提升却只有 1-3%。这或许能解释为什么 Claude 3.5 Opus 没有如期发布，业界开始转向关注推理时的优化。

这个结果似乎在暗示：单纯堆参数量的方法可能已经遇到瓶颈。模型规模从 200B 增加到 2T+，性能提升却如此有限，确实值得深思。

“情感升级”：更懂人心的 AI

正如一位网友所说，很多人只盯着基准测试的数据，却忽略了最重要的一点：在日常使用中，AI 如何与人互动，以及它给用户带来什么样的感受。

GPT-4.5 可以说是一次“情感升级”：

• 让 AI 互动更自然
• 更懂得共情
• 像一个有“情商”的助手

它的目标不是在基准测试上拿高分，而是让 AI 变得更贴心，更懂人。

总结

• GPT-4.5 是 GPT-4 的改进版本，采用了 SFT、RLHF 等成熟技术，也引入了新的对齐方法。
• 在技术上，改进了语言处理和推理能力，优化了训练流程，扩充了数据来源。
• 安全性方面与 GPT-4o 相当，经过了偏见和误用风险评估。
• 主要提升是：事实准确性更高，幻觉更少，对话能力增强，能读懂人类微妙的情绪和真实需求。
• 目前以 GPT-4.5-preview 发布，后续改进将基于实际使用反馈。
• 发布计划：逐步向 ChatGPT Pro、Plus、Team、企业版和教育版用户开放。
• ChatGPT 中的功能：支持搜索、文件和图片上传，能处理写作和编程任务，暂不支持语音、视频和屏幕共享。
• 开发者 API：支持函数调用、结构化输出、流式传输、系统消息和视觉能力。

释放创造力，交给 AI！
ChatTools 为您精选了多款智能工具，包含 Gemini, DeepSeek, GPT-4o, GPT 等模型, 提升效率。