GPT-4.5 发布：对话风格、基准测试与成本

OpenAI 宣布推出 GPT-4.5，不仅强调知识，也强调回答给人的感觉。在这期 2025 年 2 月的发布回顾中，我会分析公司的演示、公布的评测和 API 价格。我还没有使用该模型的权限，因此这里是对 OpenAI 发布内容的分析，并非我自己的上手测试。

OpenAI 介绍了两种扩展方式：无监督学习，据称能提升知识和模式识别能力；以及推理，让模型能在困难问题上投入更多计算。GPT-4.5 被定位为扩大预训练和后训练规模的一步，而不是像 o1 那样在回答前显式进行推理的模型。

对于许多不需要长时间推理的问题，我会使用 GPT-4o，我认为 GPT-4.5 也可用于这类交互。我猜测，更强的通用模型可能为未来的推理系统打下基础，但我不知道 o1、o3 或未来产品具体使用了哪些底层模型。不能根据这个类比假定它们之间的关系。

OpenAI 还强调温暖感、社交线索和对话风格，把整体体验称为“氛围感”。这些特性并不总是我的首要考虑，尤其是在深度研究中，但对于整天使用的助手，它们可能很重要。某种风格是否有帮助是主观的，取决于任务和使用者。

在 OpenAI 的一项演示中，用户愤怒地要求给屡次取消计划的朋友写一条消息。GPT-4.5 先认可用户的沮丧，并建议使用更温和的措辞；对比中的 o1 则更直接地遵循了最初的指令。当用户再次要求愤怒版本时，GPT-4.5 也给出了内容。我喜欢第一种回答对上下文的关注，但这是一项经过挑选的演示。

我希望未来的助手能学会分辨：我是真的想发一条直白的消息，还是只是在发泄，其实更想维护这段友谊。这是记忆功能的一种可能用途，并非这个例子已经证明的能力。做深度研究或困难推理时，我仍会选择专门针对这些任务设计的模型。

另一项演示要求两个模型从第一性原理解释 AI 对齐。OpenAI 认为 o1 的回答信息丰富，而 GPT-4.5 的结构更自然。我觉得两者都有用；差别主要在表达和偏好上，并非通过受控测试证明某个回答普遍更好。

不断增长的模型选项令人困惑，即使是我这样密切关注发布的人也不例外。我更希望只有一个输入框，让系统根据请求选择合适的计算量和工具，而不是由我在模型和回答风格之间做决定。当时，GPT-4.5 又给这个菜单增加了一个选项。

OpenAI 报告称，在 SimpleQA 上，GPT-4.5 的分数高于所比较的 GPT-4o、o1 和 o3-mini 配置，幻觉率也更低。该基准在特定设置下测试简短事实问题；结果并不意味着模型总体上总是准确，或不会产生幻觉。

OpenAI 表示，在测试的各个类别中，人类测试者更偏好 GPT-4.5 而非 GPT-4o，类别包括日常和专业问题，以及一组旨在衡量创造性与对话质量的题目。演示者用温暖和协作来描述“氛围感”，并表示筛选训练人员时会考虑其是否符合 OpenAI 的偏好。我想知道这些偏好是否会引入偏差；事实准确性基准无法解决这个问题。

在另一个精选示例中，一名用户因为考试失利而难过。GPT-4.5 表达同理，并询问对方想聊聊还是想转移注意力；GPT-4o 则列出了一些可采取的行动。对于想被倾听的人，我更喜欢前一种回答，但想要具体建议的用户可能更喜欢其他回应。

一个识别画作的示例也展示了不同的回答风格：一个回答提供更多解读，另一个更侧重事实。这些例子展示了表达方式的差异，但不能证明任一模型能够可靠地理解人的情绪，也不能证明画作识别结果已经独立核实。

OpenAI 表示，预训练得更好的模型可以支持未来的推理和工具调用智能体。公司还介绍了低精度训练，以及跨多个数据中心预训练 GPT-4.5 的做法。我觉得分布式训练很有意思，因为它可能提供一种不必将所有硬件集中在一处的替代方案；但仅凭这项发布，不能证明任何公司都能复制这一结果。

为了说明进展，OpenAI 让历代 GPT 模型回答海水为什么是咸的。展示的 GPT-1 和 GPT-2 回答不连贯或错误；后续示例变得更加相关、更有解释性，最终 GPT-4.5 给出了简洁的回答。这个例子令人印象深刻，但一个经过挑选的提示词并非对历代模型的全面比较。

在 OpenAI 公布的 GPQA 科学评测中，GPT-4.5 得分为 71.4%，GPT-4o 为 53.6%，高推理强度的 o3-mini 为 79.7%。在 AIME 2024 上，三者分别为 36.7%、9.3% 和 87.3%。这些是厂商在指定配置下报告的分数，在这些测试中推理模型仍然更强。

图表还显示，GPT-4.5 在多语言 MMLU 评测中得分 85.1%，在 MMMU 上得分 74.4%；GPT-4o 分别为 81.5% 和 69.1%。在所展示的比较中 GPT-4.5 领先，但多模态一行没有 o3-mini 的分数。这些数字本身不能涵盖所有语言或模态。

在 SWE-Lancer Diamond 上，OpenAI 图表显示 GPT-4.5 得分 32.6%，GPT-4o 为 23.3%，高推理强度的 o3-mini 为 10.8%。对应的 186,125、138,750 和 89,625 美元代表基准任务价值，并非模型实际赚取的钱。所展示的编程数字是 OpenAI 内部的最佳表现。

同一图表显示，在 SWE-bench Verified 上，GPT-4.5 得分为 38.0%，GPT-4o 为 30.7%，高推理强度的 o3-mini 为 61.0%。不同的编程评测和配置可能产生不同排名，因此这些结果不能视作一个通用的编程分数。

发布时，该模型的上下文窗口为 128,000 token。展示的 API 价格是每百万输入 token 75 美元、缓存输入 token 37.50 美元、输出 token 150 美元。我认为这很贵。这些是发布时的历史数据，使用资格和价格可能变化。

我在发布会刚结束时录制了视频，当时尚未获得使用权限。我计划在可以使用后单独测试，因此这里的反应依据的是公司的示例和公布结果，而非独立使用经验。