OpenAI爆出硬伤，强化学习是祸首！o3越强越「疯」，幻觉率狂飙

CyHbBb3Pv

满血o3更强了，却也更爱「胡言乱语」了。
OpenAI技术报告称，o3和o4-mini「幻觉率」远高于此前的推理模型，甚至超过了传统模型GPT-4o。
根据PersonQA基准测试，o3在33%的问题回答中产生了幻觉，几乎是o1（16%）的2倍。
而o4-mini的表现更加糟糕，幻觉率高达48%。

技术报告：https://cdn.openai.com/pdf/2221c875-02dc-4789-800b-e7758f3722c1/o3-and-o4-mini-system-card.pdf
甚至，有网友一针见血地指出，「o3对编写和开发超1000行代码的项目极其不利，幻觉率极高，且执行指令能力非常差」。

不管是在Cursor，还是Windsurf中，o3编码幻觉问题显著。

要知道，o3和o4-mini在Codeforces中成绩均超2700分，在全球人类选手中位列TOP 200，被称为OpenAI有史以来最好的编码模型。
它们验证了，Scaling强化学习依旧有效。
o3训练算力是o1的十倍
但为何随着模型参数规模Scaling，幻觉问题反而加剧？
o3幻觉率至高，是o1两倍

过去，每一代新模型的迭代，通常会在减少幻觉方面有所进步，但o3和o4-mini却打破了这一规律。
更令人担忧的是，OpenAI目前也无法完全解释这一现象的原因。
技术报告中，研究团队坦言，「还有需要进一步研究来弄清，模型生成更多断言的问题」。

提前拿到o3内测资格后，非营利AI研究机构Transluce的测试，进一步印证了这一问题。
他们发现，o3在回答问题时，更倾向于「虚构」其推理过程中的某些行为。

比如，o3声称它在一台2021年款的MacBook Pro上运行代码，甚至声称是在ChatGPT之外复制的代码。

而且，这种情况出了71次。然而，事实是o3根本无法执行这样的操作。
前OpenAI研究员Neil Chowdhury表示，o系列模型使用的强化学习算法，可能是问题的根源。
RL可能会放大传统后训练流程中通常能缓解，但无法完全消除的问题。
强化学习「背锅」，编造根源找到了

首先，必须承认的是，幻觉问题并非是o系列模型独有，而是语言模型的普遍挑战。
而对于多数语言模型产生幻觉的原因，不外乎有这么几点：
1 预训练模型的幻觉倾向
预训练模型通过最大化训练数据中语句的概率进行学习。然而训练数据可能包含误解、罕见事实或不确定性，这导致模型在生成内容时容易「编造」信息。尽管后训练可以缓解这一问题，但无法完全消除。
2 讨好用户
RLHF训练可能激励模型会迎合用户，避免反驳用户的假设。
3 数据分布偏移
测试场景可能与训练数据分布不一致。
尽管这些问题是语言模型常见的失败模式，相较于GPT-4o，o系列模型的幻觉问题更为突出。

这背后，还有一些独特的因素。
RL推理训练副作用
作为推理模型，o系列采用了基于强化学习（Outcome-based RL）训练，专为解决复杂数学问题、编写测试代码而设计。
虽然这种方法提升了模型在特定任务上的表现，但也造成模型幻觉率飙升。
如果训练的奖励函数只关注正确答案，模型在面对无法解决问题时，没有「动力」去承认自己的局限。

相反，它可能选择输出「最佳猜测」，以期碰巧正确。而且，这种策略在训练中未受到惩罚，从而加剧了幻觉。
另外，工具使用的泛化问题，也不可忽视。
o系列模型在训练中，可能因成功使用「代码工具」而获得了奖励。即使在禁用工具的场景中，模型可能会「假想」使用工具来组织推理过程。
这种行为可能在某些推理任务中提高准确性，并在训练中被强化，但也导致模型虚构工具使用的场景。

真帮凶：CoT被丢弃
o系模型的另一个独特设计是「思维链」（Chain-of-Thought）机制。
在生成答案前，模型会通过CoT进行思考，但这一过程对用户不可见，且在后续对话中被丢弃。

事实上，它们可能在CoT中生成了看似合理但不准确的回答。比如，因为没有真实链接，o1曾生成一个了虚构的URL。
由于CoT在后续对话中被丢弃，模型无法访问生成前一轮答案的推理过程。
当你追问前一轮回答的细节时，模型只能基于当前上下文「猜测」一个合理的解释。
这种信息缺失，很难避免o3等不去编造信息。
o3很好，但过度优化是硬伤

在Ai2科学家Nathan Lambert最新一篇分析长文中，同样印证了这一问题：
强化学习给o3带回来了「过度优化」，而且比以往更诡异。

在任何相关查询中，o3能够使用多步骤工具。
这让ChatGPT的产品管理面临更大挑战：即便用户未触发搜索开关，模型也会自主联网搜索。
但这同时标志着语言模型应用开启了新纪元。
比如，Nathan Lambert直接问o3：「你能帮我找到那个长期以来被RL研究人员使用的，关于摩托艇过度优化游戏的gif吗？可能像是波浪破碎器之类的？」
过去，他至少需要15分钟，才能手动找到这个。
现在o3直接提供了准确的下载链接，而Gemini等AI则逊色很多。

与o3精彩互动：几乎立刻找到需要的GIF
多个基准的测试成绩，证明o3非常出色。OpenAI认为o3在许多方面比o1更强大。
o3是持续扩展RL训练计算资源时的产物，这也提升了推理时的计算能力。
但这些新的推理模型在智能上「孤峰凸起」，在有些方面并没有奏效。
这意味着有些交互令人惊叹，感觉像是与AI互动的全新方式，但对于一些GPT-4或Claude 3.5早已熟练掌握的普通任务，o3等新推理模型却彻底失败了。
这涉及到强化学习中的「过度优化」（over-optimization）问题。
RL过度优化，o3更严重
OpenAI o3模型展现了全新的推理行为模式，但过度优化是硬伤。
过度优化（Over-optimization）是强化学习（RL）领域的经典问题。
无论是传统强化学习、催生出ChatGPT的人类反馈强化学习（RLHF），还是当前新型推理模型中出现的情况，都呈现出独特的表现形式和不同影响。
当优化器的能力超过它所依赖的环境或奖励函数时，就会发生过度优化。
在训练过程中，优化器会钻漏洞，产生异常或负面的结果。
Ai2的科学家举了一个例子。
在Mujoco仿真环境中，评估深度强化学习算法时，发生了过度优化：
「半猎豹」（half-cheetah）模型本该学习奔跑，却用连续侧手翻最大化了前进速度。

o3表现出新型过度优化行为。
这与它创新训练方式密切相关。
最初的推理模型主要训练目标是确保数学和代码的正确性，而o3在此基础上新增了工具调用与信息处理能力。
正如OpenAI官方博客所述：
利用强化学习，我们还训练了这两款模型去使用工具——不仅教会它们如何使用工具，还让它们学会判断何时该使用工具。
它们根据预期结果来部署工具的能力，让它们在开放式任务中更加高效——特别是在涉及视觉推理和多步骤工作流的情况中。
这些训练中的绝大多数子任务都是可验证的。
这种新的训练方法确实提升了模型的实用性，但只对过去用户习惯使用的任务。
但目前还无法规模化地「修复」模型在训练过程中产生的怪异语言表达。
这种新的过度优化并不会使模型的结果变差，它只是让模型在语言表达和自我解释方面变得更差。
o3的一些奇怪表现让人感觉模型还没完全成熟，比如在编程环境中使用了无效的非ASCII连字符的这个例子。

越来越多的用户好奇：o3到底发生了什么？

Karpathy当年评价初代推理模型时的名言：
当模型在思维链中开始不说人话时，你就知道强化学习训练到位了。
如今模型输出的这些怪异幻觉，本质上就是行为版的「不说人话」。
o3的行为组件使其比Claude 3.7漏洞百出的代码更有研究价值，或许也相对不易造成实际损害。
奖励黑客，AI学会钻空子
METR发现，o3是在自主任务中能独立操作最久的模型，但也注意到它有倾向于「篡改」它们的评分。


听起来是不是很熟悉？
事实上，奖励机制被钻空子（reward hacking）的例子比比皆是！
来自OpenAI最近论文的奖励黑客攻击例子：





论文链接：https://openai.com/index/chain-of-thought-monitoring/
从科学角度来看，这确实是非常有趣且引人深思的——
模型到底在学习什么？
与此同时，考虑到安全问题，大家对AI模型的广泛部署保持警惕，就很有道理。
但目前看来，大家还没有看到过于令人担忧的情况，更多的是效率低下和一些混乱的例子。
总结一下强化学习（RL）不同阶段中，看到的三种过度优化类型：

• 控制时代的RL：过度优化发生是因为环境脆弱，任务不现实。
  
• RLHF时代：过度优化发生是因为奖励函数设计糟糕。
  
• 可验证奖励强化学习（RLVR2）时代：过度优化发生，使模型变得超级有效，但也变得更加奇怪。（还有更多尚未发现的副作用）
  

这种过度优化确实是一个需要解决的问题，因为语言模型的可读性是其一个重要优势。
Nathan Lambert相信通过更复杂的训练过程，这个问题是可以缓解的。
但OpenAI急于尽快推出模型，解决这个问题需要更多时间。

据报道，OpenAI的部分测试人员，只有不到一周的时间对即将推出的重要产品进行安全检查。