【ITBEAR】9月25日消息,近日,亞利桑那州立大學(xué)的科研團(tuán)隊(duì)利用PlanBench基準(zhǔn)對(duì)OpenAI的o1模型進(jìn)行了規(guī)劃能力的測試。測試結(jié)果顯示,盡管o1模型在某些方面取得了顯著的進(jìn)步,但其仍然存在較大的局限性。
PlanBench基準(zhǔn)于2022年開發(fā),主要用于評(píng)估人工智能系統(tǒng)在規(guī)劃方面的能力。該基準(zhǔn)包含了600個(gè)來自Blocksworld領(lǐng)域的任務(wù),要求積木必須按照特定的順序進(jìn)行堆疊。
據(jù)ITBEAR了解,在Blocksworld任務(wù)中,OpenAI的o1模型展現(xiàn)出了驚人的表現(xiàn),其準(zhǔn)確率高達(dá)97.8%,遠(yuǎn)遠(yuǎn)超過了之前的最佳語言模型LLaMA 3.1 405B的62.6%。在更具挑戰(zhàn)性的“Mystery Blocksworld”加密版本中,傳統(tǒng)模型幾乎全部失敗,而o1模型的準(zhǔn)確率仍能達(dá)到52.8%。
為了驗(yàn)證o1模型的性能是否源于其訓(xùn)練集中的基準(zhǔn)數(shù)據(jù),研究人員還測試了一種新的隨機(jī)變體。在這次測試中,o1模型的準(zhǔn)確率降至37.3%,但仍遠(yuǎn)超其他得分接近零的模型。
然而,隨著任務(wù)的復(fù)雜性增加,o1模型的表現(xiàn)也急劇下降。在需要20到40個(gè)規(guī)劃步驟的問題上,o1模型在較簡單測試中的準(zhǔn)確率從97.8%驟降至23.63%。此外,該模型在識(shí)別無法解決的任務(wù)方面也顯得力不從心,只有27%的時(shí)間能夠正確識(shí)別,而在54%的情況下,它錯(cuò)誤地生成了完整但不可能完成的計(jì)劃。
盡管o1模型在基準(zhǔn)性能上實(shí)現(xiàn)了顯著的改進(jìn),但它并不能保證解決方案的正確性。與經(jīng)典的規(guī)劃算法相比,如快速向下算法,這些算法可以在更短的計(jì)算時(shí)間內(nèi)實(shí)現(xiàn)完美的準(zhǔn)確性。
研究還指出,o1模型的高資源消耗是一個(gè)不容忽視的問題。運(yùn)行這些測試需要花費(fèi)近1900美元,而經(jīng)典算法在標(biāo)準(zhǔn)計(jì)算機(jī)上運(yùn)行則幾乎不需要任何成本。
研究人員強(qiáng)調(diào),對(duì)人工智能系統(tǒng)進(jìn)行公平比較時(shí),必須綜合考慮準(zhǔn)確性、效率、成本和可靠性。他們的研究結(jié)果表明,盡管像o1這樣的人工智能模型在復(fù)雜推理任務(wù)方面取得了進(jìn)步,但這些能力仍然有待提升。
關(guān)鍵詞:#OpenAI o1模型# #規(guī)劃能力測試# #PlanBench基準(zhǔn)# #局限性# #資源消耗#