OpenAI神秘草莓模型两周内上线，数学推理暴涨月费200美元已有用户付费

最新消息来了：OpenAI 的“草莓”模型，预计在两周内就会正式发布。

这消息来自外媒 The Information，两位已经亲手测试过草莓模型的人士向媒体证实了这一点。发布时间比此前报道的秋季要早了不少。

草莓跟其他模型的最大区别是什么？答案很简单：更智能，但更慢、也更贵。

而知名爆料人 Jimmy Apples 的说法是，一个模型（可能被称为 GPT-4.5）预计会在十月发布。与此同时，GPT-5 很可能会在 12 月发布，但保险起见，说 2025 年第一或第二季度发布是比较稳妥的。

9 月 3 日，Jimmy Apple 还曾艾特 Sam Altman，戏谑地问：“我耳边的低语是真的吗？我们终于要在十月做一些事了吗？”

按照 Jimmy Apple 的说法，需要耐心等待的时代已经过去，现在，我们迎来了发布的季节。

AI 大 V“数字生命卡兹克”则爆料说，自己的朋友发现 ChatGPT Pro 会员已经上线了，售价 200 美元每月。他们推测，ChatGPT Pro 会员或许就是为即将上线的草莓而准备的。

不过根据此前的爆料，草莓本身的目的似乎是为 OpenAI 的下一代大模型“猎户座”生成更高质量的数据。因此也有人说，不必对草莓抱以过高期待。

草莓，比我们预期的更早？

两位测试过草莓模型的人士透露，OpenAI 计划在两周内将其作为 ChatGPT 服务的一部分发布。而原先 The Information 报道的发布时间是秋季。这一次，报道中透露了一些新细节。

首先，虽然草莓是 ChatGPT 的一部分，但它是一个独立的产品。目前还不清楚它将如何推出——一种可能是将其包含在驱动 ChatGPT 的 AI 模型下拉菜单中，根据两位人士的说法。这会让草莓跟常规的服务有很大不同。

第二点，草莓和其他对话式 AI 最大的区别，就是它在响应之前会思考 10 到 20 秒，然后才回答问题。多个网友现身说法，表示自己上周发现 ChatGPT 返回某个响应时需要 10 秒才能加载，或许 OpenAI 已经在进行 A/B 测试了。

第三点，草莓的初始版本目前只能接收和生成文本，而不能处理图像——它尚未像 OpenAI 的其他模型一样实现多模态功能。如今发布的大多数 LLM 都是多模态的，这个缺陷对比之下就很显著。

最后就是定价问题。现在 OpenAI 的聊天机器人有免费的，也有分等级的订阅价格。草莓可能会有低价位和高价位两档：前者会有速率限制，并且限制用户每小时的最大消息数量；而更高价位的版本，响应速度也会更快。这种安排，当然也是希望让更多用户为新模型付费，就像此前 OpenAI 限制 ChatGPT 免费用户消息数量一样。

草莓会怎样收费？根据 The Information 此前的爆料，每月 50、75、200、2000 刀似乎都有可能。

一位知情人士称，在 OpenAI 早期的内部讨论中，订阅价格曾高达每月 2000 美元，但并未最终确定。如今看来，200 美元/月的定价应该是没跑了。

The Information 还预测，目前为 ChatGPT 付费（每月 20 美元）的客户，会比免费用户更早访问首个草莓模型。

处理复杂问题更拿手

据悉，草莓会比 GPT-4o 更擅长复杂的问题或多步骤查询。目前，如果用户想在 ChatGPT 中得到理想的答案，往往还需要输入各种额外的 prompt——比如用“连贯思维提示”让 ChatGPT 通过中间推理步骤来得出答案。而草莓可能会避免这种麻烦，让用户一步得到结果。

这也就意味着，草莓不仅在数学和编码问题上会更好，还会更擅长主观的商业任务，比如头脑风暴一个产品营销策略。爆料人表示，草莓的思考步骤会避免它出错。而多思考的那十秒到二十秒，会让它更可能知道何时要向客户询问后续问题，来完成对他们的解答。

多思考 20 秒是鸡肋？

然而两位人士透露，OpenAI 还需要再解决一些问题。比如，理论上讲，草莓应该能够在用户提出简单问题时跳过其思考步骤。然而在实际应用中，模型并不总是这样。它可能会错误地花费过多时间来回答那些其他 OpenAI 模型很快就能回答的问题。

用过草莓模型的人抱怨说，跟 GPT-4o 相比，草莓的回复只是稍稍更好一些，但并没有好到值得用户去等 10 到 20 秒。

另外，OpenAI 希望迎合用户的这一特定偏好：在回答新问题前，草莓会记住并且整合与用户先前的聊天记录。这个细节非常重要，比如如果用户希望软件代码以某种格式书写的时候，这种能力就非常有用。然而令人沮丧的是，草莓并不总是能做到这一点。

网友吐槽：还要挤多久？

冷知识：距离 OpenAI 发布 GPT-4，已经过去了一年零六个月。而新模型的影子，至今还没看到。OpenAI 的草莓，来来回回炒了好几遍。狼来了的故事来了太多次，网友们都快麻了。

别家都是要发模型就干脆利落地发，只有它把同一个话题来回来去地炒，就是不发真东西。奥特曼之前晒出花园里的草莓照，曾一度引起轩然大波，然而最终却无事发生，这种“谜语人”的操作难免令人生厌。

现在提起 OpenAI，很多群众的第一反应就是——

没错，它已经逐渐沦为“炒作”的代名词。更有网友做出梗图，调侃 OpenAI 发布新模型的姿势是这样的——

这样的——

以及这样的——

本来在大模型领域，OpenAI 是遥遥领先的领导者。但如今，竞争者们早已后来居上了。上个月，谷歌就推出了 AI 语音助手，能够灵活处理用户的突然中断和话题变化。要知道，OpenAI 在五月就首发了“Her”的功能，然而这个语音助手 GPT-4o Voice 随后却推迟了发布，原因是 OpenAI 在提高安全措施，确保模型拒绝不当内容。如今正值草莓模型的发布前期，可能 OpenAI 也在做类似的准备。

而最令人失望的一点其实是，跟前两年的如火如荼相比，今年 OpenAI 的发展似乎已经停滞了。

与此同时，模型的计算量、参数大小、数据集大小都纷纷遭遇瓶颈，开源模型和闭源模型的能力也在逐渐缩小。是不是因为没有足够的 GPU，所以我们现在依然离 AGI 如此遥远？

如何破局？用 RL

打破瓶颈的方法，如今各家都走到了同一路径——Self-play RL。

在 LLM 领域，自我博弈理论看起来就像是 AI 反馈。Claude 3.5 就是基于 Self-play RL 做出的，因此代码能力强到突出。而我们都知道，草莓有一个重要作用，就是给下一代大模型合成数据，这里面有个前提，就是它同样是基于新范式 Self-play 做出的。

很多 LLM 的弱点就在推理能力上，而有些初创公司为了提高它们的推理能力，就采用了一种廉价的技巧，将问题分解为更小的步骤，尽管这些方法速度慢且成本高昂。

AlphaGo 就是通过 Self-play 学习，击败了李世石。在草莓中，也看到了类似的思路。用 Self-play RL 去验证，自然就能让草莓的数学和代码能力飞速暴涨。同样，付出的代价就是极高的推理成本，导致它又贵又慢。但得到的结果是极高的智能，或许启发我们通往 AGI 的路线，就靠草莓这种思路了。

说起来，“草莓之父”其实就是已经离职的 OpenAI 首席科学家 Ilya Sutskever。

据悉，OpenAI 的一些人认为 Q* 可能是 OpenAI 在 AGI 上取得的一个突破。在 Ilya 离职之前，OpenAI 的研究人员 Jakub Pachocki 和 Szymon Sidor 在 Ilya 的工作基础上开发了一个新的数学求解模型 Q*。据称，Q* 解决了此前从未见过的数学题。Ilya 做出的突破，使 OpenAI 不再受限于获取足够的高质量数据来训练新模型，而这正是开发下一代模型的主要障碍。

另外，在去年 Q* 的前期准备中，OpenAI 研究人员开发了一种被称为“测试时计算”的概念变体，目的是提升 LLM 的问题解决能力。这样，LLM 就会花更多时间考虑被要求执行的命令，或问题的各个部分。当时，Ilya 发表了一篇与这项工作相关的博客，展示了模型如何解决了数个极有难度的数学问题。

比如在下面这道题中，GPT-4 成功执行了一系列复杂的多项式分解。

基于这类技术做出的草莓，虽然更贵、更慢，但数学和推理的进步无疑是惊人的。或许对于普通用户，它未必是一个更值得付费的产品。但对于需要高阶能力的场景，草莓会更有发挥的余地。

大佬猜测：谷歌 DeepMind 论文疑似揭示方法

有趣的是，Menlo 风投负责人、前谷歌搜索工程师 Debarghya Das 发推称：Google DeepMind 在最近一篇论文中提出的方法，可能就是 OpenAI 在 Strawberry 上用的。

论文提出，让 LLM 进行更多的“测试时计算”（test-time computation），对于构建能在开放语境下操作、能实现自我提升的 agent，是关键的一步。而这篇论文就重点研究了扩展“推理期计算”（inference-time computation）这个问题。

如果允许 LLM 使用固定但非平凡量的推理期计算，它在应对具有挑战性的提示词时，可以有多少性能提升？这个问题不仅影响 LLM 的可实现性能，还关系到 LLM 预训练的未来，以及如何在推理计算和预训练计算之间进行权衡。

为了回答这个问题，研究团队分析了扩展测试时计算的两种主要机制：（1）针对密集的、基于过程的验证器奖励模型进行搜索；（2）根据测试时得到的提示词，自适应更新模型对响应的分布。结果显示，在这两种情况下，对测试时计算的不同扩展方法的有效性，很大程度上取决于提示词的难度。

论文地址：https://arxiv.org/abs/2408.03314

基于此，研究团队提出了一种“计算最优”扩展策略——通过为每个提示词自适应地分配测试时计算，使测试时计算的扩展效率提高 4 倍以上。另外，在 FLOPs 一致的评估中，对于那些较小的基础模型已取得一定程度非平凡成功率的问题，测试时计算可以使其超越规模大 14 倍的模型。

不过，网友们对这一猜测并不认可。Topology 首席执行官 Aidan McLaughlin 表示，谷歌 DeepMind 探讨的是最佳 N 采样和蒙特卡洛树搜索（MCTS）。而“草莓”可能会是一个具有特殊 token（回溯、规划等）的深度混合模型。它可能会通过人类数据标注者和来自易于验证领域（如数学/编程）的强化学习进行训练。

另一位网友也提出疑问——“草莓”不是一个神经符号模型吗？

对此，Deedy 解释道：“根据网上的这些信息和传闻：‘草莓’将通过在响应空间中使用搜索技术来改进推理，其推理时间计算为 10 到 20 秒。”而这，正是这项研究所解释的内容。