#O1

howie.serious

3个月前

gpt-4.5的 IQ 得分出来了，94分，似乎并不高（deepseek-R1 是 102 分）。那么，现在的llm，IQ分别是多少？即将发布的 o3，IQ 到底会有多高？先看结果排名： o1 —— 124；o1 pro mode ——120； o3-mini——116； gpt-4o——91；gpt-4——80； Trackingai 网站上的 IQ 分数分为两套：线下IQ 测试，和线上 mensa 测试。为了避免混淆，便于对比，统一选取了线上 mensa 测试。我觉得这个IQ 测试结果是基本可信的，而且保持了一致性。对比之下，之前网友宣称 o3 的 IQ 可能有 157，那个就只是一种猜测，是 o3 没发布前他个人推测的数据。那么，即将发布的 o3，IQ 大概是多少？我猜测是135～150 之间。推测过程：目前 IQ 最高的 o1 是 120 分档次，而 o1作为推理模型，是基于 gpt-4 聊天模型训练出来的，在基础模型上有 30-40 分的提高。 O3 大概率是基于gpt-4.5 训练出来的，IQ 提高保底是 30-40 分，多了可能有 50分，所以，在 gpt-4.5 的94 分底子上，加上推理能力带来的 IQ 提升，大概是 135 到 150。大概一个月之后，我们就知道真实结果了。

#GPT-4.5 #IQ得分 #DeepSeek-R1 #llm排名 #O1 #o3 #GPT-4o #GPT-4 #Trackingai

yesterday

4个月前

AI coding 的时候，如果想用推理模型，有条件尽量还是 o1 . 不用推理尽量还是 claude sonnet 3.5 . 这个黄金组合搭配到目前为止还没有一个能动摇的（你有 o3 的话也行）我知道是人都想省点钱，我也会切换别的模型，但哪怕是 deepseek 满血版，在多个文件里跳来跳去，该出的错，那可怕的幻觉还是一个都不会少。你不怕麻烦可以开一堆窗口，结合着用。想省事，提高效率，最好还是o1 + sonnet 3.5 ，明显省很多事。有多省呢？你如果像我一样连续编码 3 小时，你换别的模型，你会发现很可能直接 4-5 个小时去了。一点不夸张。

#AI #推理模型 #Claude Sonnet 3.5 #DeepSeek #O1 #效率 #模型选择 #幻觉

Simon

5个月前

R1 比 O1 真正优秀的地方在输出了CoT，让人感觉很厉害很值得信任。如果把CoT禁掉，只看结果的话。可能和o1一样，用得人也不是那么多了

#R1 #O1 #CoT #信任 #输出 #使用者

orange.ai

5个月前

R1+Sonnet：我们加起来才是最强的！在 Aider 的最新多语言基准测试中测试中，R1+Sonnet 超越 o1 拿下第一。 R1 作为架构师， Claude Sonnet 作为编辑器，在 aider 多语言基准测试中设定了新的 SOTA（最先进技术水平）64.0%。不仅超过了之前 o1 的 SOTA 总体成本还降低了 14 倍。这件事很神奇，因为使用 o1+ Sonnet 无法超越 o1 自己。背景信息： Aider 支持使用一对模型进行编码架构师模型被要求描述如何解决编码问题。思考/推理模型通常在这个角色中表现良好。编辑器模型接收到架构师的设计方案，并被要求生成特定的代码编辑指令，以将这些更改应用到现有的源文件中。

#R1 #sonnet #Aider #多语言基准测试 #SOTA #O1

Michael Anti

5个月前

我感觉Claude和O1的网站做了很多的增强，因为Claude API和O1 API的水平真的不怎么行啊，看上去都不如4o。

#Claude #O1 #增强 #API

AI进化论-花生

6个月前

一个建议，不一定对：虽然deepseek是国产良心，我也很建议在做AI应用调用API时使用。但是最好别接入Cursor作为默认模型使用，现在让AI编程跨过可用性临界点的依然有且只有Claude 3.5 sonnet，o1实际体感也不够好。为了节约成本或者支持国产做这个选择还是得不偿失。测试这事让自媒体去干（比如我，我其实一般都懒得干了），大家实际在做AI编程的话就先关注自己要解决的问题，不用关注那么多噪音。

#DeepSeek #国产良心 #AI应用 #API #Cursor #默认模型 #AI编程 #Claude 3.5 #sonnet #O1 #成本 #支持国产 #自媒体 #解决问题

宝玉

6个月前

网友分享：你好宝老师，我想投稿大模型的使用体验。我是理工科，国内土博，材料专业。使用强度不是很高，但是集中分析的时候会连续追问和讨论。关于推理模型，我想说说我的使用体验。我使用的较多的时gpt o1，O1mini，还有谷歌的新出的thinking。我想说o1目前还是当之无愧的第一，因为具有很庞大的知识库。我使用都是在分析化学的情况下，比如红外图谱和核磁图谱的分析。然后O1是说的最靠谱。我结合文献和O1聊我的推理，基本就能把图谱分析的七七八八差不多。但是o1mini不精通化学结构导致理解不了复杂化学结构，谷歌的thinking也一样对化学不够精通，比如今天核磁分析时就弄混了ppm高低和上下场的关系。而o1可以一直正确的分析推理。以我的认知我认为，知识库的丰富程度极大程度决定了好用与否。最近新出的推理模型，由于缺乏知识库，测试发现推理的化学结果大部分都不对。目前我只有用o1的时候很少发现错误。所以可能高成本的模型还是更有实际价值，而针对推理方面雕花的可能还是炫技更多一些。

#大模型 #GPT #O1 #O1mini #谷歌thinking #推理模型 #材料专业 #分析化学 #红外图谱 #核磁图谱