OpenAI最强AI模型竟成“大忽悠”！o3/o4-mini被曝聪明过头、结果幻觉频发？
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
来源：CSDN（ID：CSDNnews）
整理：郑丽媛
作为全球AI领域的标杆，OpenAI上周推出的新一代推理模型o3和o4-mini模型在编码、数学等复杂任务上展现出表现出色，在多个基准测试中也取得了瞩目的成绩——为此OpenAI官方表示，o3和o4-mini是OpenAI迄今为止发布的最智能模型。
可刚发布没两天，这些“最智能”的模型就成了“幻觉专业户”：据OpenAI内部测试显示，o3和o4-mini比旧版模型更容易产生幻觉！
最强推理模型，却成“幻觉大师”？
在o3和o4-mini发布之初，OpenAI官方对其评价极其的高：
“OpenAIo3是我们最强大的推理模型，它推动了编码、数学、科学、视觉感知等领域的发展”，“OpenAIo4-mini是一款经过优化的小型模型，适用于快速、经济高效的推理。它在数学、编程和视觉任务方面，以自身规模和成本而言，表现十分出色”。
为了证实o3和o4-mini的能力，当时OpenAI还展示了许多测试成绩：
（1）在Codeforces编程测试中，o3的Elo分数达到了2706，远超o1的1891。
（2）在GPQADiamond科学问答测试中，o3的准确率为83.3%，o4-mini为81.4%，而o1仅为78%。
（3）在MMMU基准测试中，o3和o4-mini的表现也均超过了旧版o1模型。
按照SamAltman的说法，此次OpenAI推出的新模型几乎“达到或接近天才水平”。
然而近日外媒TechCrunch报道，根据OpenAI内部文件显示，其最新AI模型比以之前的所有模型都更容易产生“幻觉”：
PersonQA基准测试：用于衡量模型对人物信息的准确性，前一代推理模型o1和o3-mini的幻觉率分别为16%和14.8%，而o3幻觉率为33%，o4-mini幻觉率高达48%（几乎每两次回答中就有一次是虚构的）——幻觉率几乎翻倍；
连“非推理”模型都比不过：甚至，传统“非推理”模型GPT-4o都比o3和o4-mini的幻觉率还低——新模型在“胡编乱造”上实现了“反向超越”；
第三方也实锤：非营利性AI研究实验室Transluce也发现，o3模型在回答问题时会编造其执行的操作。例如，o3曾声称在一台2021年的MacBookPro上运行了代码——可实际上，o3并没有访问该设备的能力。
对于媒体披露的这个问题，从SystemCard中的说法来看，显然OpenAI也是知情的：
在我们的PersonQA评估中，o4-mini模型的表现不如o1和o3。这在意料之中，因为较小的模型对世界的了解较少，往往会产生更多幻觉。不过，我们也发现了o1和o3在性能上的一些差异。具体来说，o3总体上倾向于做出更多的断言——这既包括更准确的断言，也包括更多不准确/幻觉的断言。我们需要更多的研究来理解这一结果的原因。
简单一句话总结：OpenAI知道新模型有这个问题，但目前也不知道具体原因，所以还需要“研究”——毕竟这种反常现象，打破了先前“模型越强幻觉越少”的行业规律。
推理型AI进化的“成长阵痛”
那么，为什么更强大的推理能力反而催生更多幻觉？Transluce的研究人员NeilChowdhury推测，这或许要从o系列模型的“设计哲学”说起。
“我们的假设是，用于o系列模型的强化学习方式，可能会放大一些通常可以通过标准的训练后流程缓解（但无法完全消除）的问题。”
具体来说，传统AI模型如GPT-4，依赖海量数据“死记硬背”，而o系列模型主打“推理优先”，通过逻辑链条推导答案，就像从“填鸭式教育”转向“启发式教学”。这种模式让模型在编程、数学证明等领域突飞猛进——Workera公司测试显示，o3在编码工作中比竞品领先一大截。
但在这一过程中，副作用也随之而来。
首先是“话痨”，模型在推理过程需要生成更多中间步骤和结论，可说得多错得也多，就像一个喋喋不休的人更容易说漏嘴；其次是“自负”，推理模型通常对自己的推导逻辑深信不疑，为了自圆其说，会编造一些根本不存在、用户点击后只会显示404的网站链接；最后是“训练后遗症”，Transluce推测，特殊的强化学习可能让这类模型形成“虚拟奖励”机制，因此当它遇到知识盲区时，不是承认不懂，而是编造一段“看似合理”的假话。
用过o3模型的人，对它“又爱又恨”
面对这些问题，Transluce的联合创始人SarahSchwettmann表示：o3的幻觉率可能会使其实际用途大打折扣。
诚然，这几天使用过o3模型的用户，不少都对它“又爱又恨”的。
斯坦福教授KianKatanforoosh在接受采访时，指出其团队因o3陷入了矛盾状态：他们一边享受着o3优越的编码效率，一边又不得不建立专门的“链接验证”流程，为每个生成的链接“验明正身”——这种额外成本，让许多对精准度要求极高的企业望而却步。
在X平台上，也有许多开发者直言，目前o3根本无法用于低级编码任务：“它生成的代码片段简直荒谬可笑，充满了幻觉和错误。我甚至可以说，要是在代码库里用它会非常危险，它可能会严重破坏你的代码，并让你认为那些修改是重要和正确的。”
例如，有开发者发现o3生成的代码中包含了一些不存在的文件，便提问：“我的代码库中甚至没有这些文件？这到底是怎么回事？”
对此，o3依旧自信回应：“啊，抱歉。我以为你使用的是与我们参考管道一起安装的‘starter-project’文件布局。在你的存储库中，这些脚本已被折叠到主处理引警中，因此调用链看起来略有不同。”
正如这位开发者的感慨：“……o3对它所生成的内容非常有信心。毫无疑问，o3在制定计划和分析高层内容方面非常出色，但在实现逻辑方面却非常糟糕。”
那么，你是否也遇到过类似问题呢？
参考链接：
https ://openai.com/index/introducing-o3-and-o4-mini/
https ://techcrunch.com/2025/04/18/openais-new-reasoning-ai-models-hallucinate-more/
阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”
https ://wx.zsxq.com/group/454854145828
未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https ://wx.zsxq.com/group/454854145828进入。
截止到3月31日”未来知识库”精选的百部前沿科技趋势报告
（加入未来知识库，全部资料免费阅读和下载）
牛津未来研究院《将人工智能安全视为全球公共产品的影响、挑战与研究重点》
麦肯锡：超级智能机构：赋能人们释放人工智能的全部潜力
AAAI2025关于人工智能研究未来研究报告
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
壳牌：2025能源安全远景报告：能源与人工智能（57页）
盖洛普&牛津幸福研究中心：2025年世界幸福报告（260页）
Schwab：2025未来共生：以集体社会创新破解重大社会挑战研究报告（36页）
IMD：2024年全球数字竞争力排名报告：跨越数字鸿沟人才培养与数字法治是关键（214页）
DS系列专题：DeepSeek技术溯源及前沿探索，50页ppt
联合国人居署：2024全球城市负责任人工智能评估报告：利用AI构建以人为本的智慧城市（86页）
TechUK：2025全球复杂多变背景下的英国科技产业：战略韧性与增长路径研究报告（52页）
NAVEXGlobal：2024年十大风险与合规趋势报告（42页）
《具身物理交互在机器人-机器人及机器人-人协作中的应用》122页
2025-2035年人形机器人发展趋势报告53页
EvaluatePharma：2024年全球生物制药行业展望报告：增长驱动力分析（29页）
【AAAI2025教程】基础模型与具身智能体的交汇，350页ppt
Tracxn：2025全球飞行汽车行业市场研究报告（45页）
谷歌：2024人工智能短跑选手（AISprinters）：捕捉新兴市场AI经济机遇报告（39页）
【斯坦福博士论文】构建类人化具身智能体：从人类行为中学习
《基于传感器的机器学习车辆分类》最新170页
美国安全与新兴技术中心：2025CSET对美国人工智能行动计划的建议（18页）
罗兰贝格：2024人形机器人的崛起：从科幻到现实：如何参与潜在变革研究报告（11页）
兰德公司：2025从研究到现实：NHS的研究和创新是实现十年计划的关键报告（209页）
康桥汇世（CambridgeAssociates）：2025年全球经济展望报告（44页）
国际能源署：2025迈向核能新时代
麦肯锡：人工智能现状，组织如何重塑自身以获取价值
威立（Wiley）：2025全球科研人员人工智能研究报告（38页）
牛津经济研究院：2025TikTok对美国就业的量化影响研究报告：470万岗位（14页）
国际能源署（IEA）：能效2024研究报告（127页）
Workday：2025发挥人类潜能：人工智能（AI）技能革命研究报告（20页）
CertiK：Hack3D：2024年Web3.0安全报告（28页）
世界经济论坛：工业制造中的前沿技术：人工智能代理的崛起》报告
迈向推理时代：大型语言模型的长链推理研究综述
波士顿咨询：2025亚太地区生成式AI的崛起研究报告：从技术追赶者到全球领导者的跨越（15页）
安联（Allianz）：2025新势力崛起：全球芯片战争与半导体产业格局重构研究报告（33页）
IMT：2025具身智能（EmbodiedAI）概念、核心要素及未来进展：趋势与挑战研究报告（25页）
IEEE：2025具身智能（EmbodiedAI）综述：从模拟器到研究任务的调查分析报告（15页）
CCAV：2025当AI接管方向盘：自动驾驶场景下的人机交互认知重构、变革及对策研究报告（124页）
《强化学习自我博弈方法在兵棋推演分析与开发中的应用》最新132页
《面向科学发现的智能体人工智能：进展、挑战与未来方向综述》
全国机器人标准化技术委员会：人形机器人标准化白皮书（2024版）（96页）
美国国家科学委员会（NSB）：2024年研究与发展-美国趋势及国际比较（51页）
艾昆纬（IQVIA）：2025骨科手术机器人技术的崛起白皮书：创新及未来方向（17页）
NPL&Beauhurst：2025英国量子产业洞察报告：私人和公共投资的作用（25页）
IEAPVPS：2024光伏系统经济与技术关键绩效指标（KPI）使用最佳实践指南（65页）
AGI智能时代：2025让DeepSeek更有趣更有深度的思考研究分析报告（24页）
2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）
华为：2025鸿蒙生态应用开发白皮书（133页
《超级智能战略研究报告》
中美技术差距分析报告2025
欧洲量子产业联盟（QuIC）：2024年全球量子技术专利态势分析白皮书（34页）
美国能源部：2021超级高铁技术（Hyperloop）对电网和交通能源的影响研究报告（60页）
罗马大学：2025超级高铁（Hyperloop）：第五种新型交通方式-技术研发进展、优势及局限性研究报告（72页）
兰德公司：2025灾难性网络风险保险研究报告：市场趋势与政策选择（93页）
GTI：2024先进感知技术白皮书（36页）
AAAI：2025人工智能研究的未来报告：17大关键议题（88页）
安联Allianz2025新势力崛起全球芯片战争与半导体产业格局重构研究报告
威达信：2025全球洪水风险研究报告：现状、趋势及应对措施（22页）
兰德公司：迈向人工智能治理研究报告：2024EqualAI峰会洞察及建议（19页）
哈佛商业评论：2025人工智能时代下的现代软件开发实践报告（12页）
德安华：全球航空航天、国防及政府服务研究报告：2024年回顾及2025年展望（27页）
奥雅纳：2024塑造超级高铁（Hyperloop）的未来：监管如何推动发展与创新研究报告（28页）
HSOAC：2025美国新兴技术与风险评估报告：太空领域和关键基础设施（24页）
Dealroom：2025欧洲经济与科技创新发展态势、挑战及策略研究报告（76页）
《无人机辅助的天空地一体化网络：学习算法技术综述》
谷歌云（GoogleCloud）：2025年AI商业趋势白皮书（49页）
《新兴技术与风险分析：太空领域与关键基础设施》最新报告
150页！《DeepSeek大模型生态报告》
军事人工智能行业研究报告：技术奇点驱动应用加速智能化重塑现代战争形态-250309（40页）
真格基金：2024美国独角兽观察报告（56页）
璞跃（PlugandPlay）：2025未来商业研究报告：六大趋势分析（67页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
国际电工委员会（IEC）：2025智能水电技术与市场展望报告（90页）
RWS：2025智驭AI冲击波：人机协作的未来研究报告（39页）
未来今日研究所2025年科技趋势报告第18版1000页
模拟真实世界：多模态生成模型的统一综述
中国信息协会低空经济分会：低空经济发展报告（2024-2025）（117页）
浙江大学：2025语言解码双生花：人类经验与AI算法的镜像之旅（42页）
人形机器人行业：由“外”到“内”智能革命-250306（51页）
大成：2025年全球人工智能趋势报告：关键法律问题（28页）
北京大学：2025年DeepSeek原理和落地应用报告（57页）
欧盟委员会人工智能与未来工作研究报告
加州大学伯克利分校：面向科学发现的多模态基础模型：在化学、材料和生物学中的应用
电子行业：从柔性传感到人形机器人触觉革命-250226（35页）
RT轨道交通：2024年中国城市轨道交通市场数据报告（188页）
FastMoss：2024年度TikTok生态发展白皮书（122页）
CheckPoint：2025年网络安全报告-主要威胁、新兴趋势和CISO建议（57页）
【AAAI2025教程】评估大型语言模型：挑战与方法，199页ppt
《21世纪美国的主导地位：核聚变》最新报告
沃尔特基金会（VoltaFoundation）：2024年全球电池行业年度报告（518页）
斯坦福：2025斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191页）
国际科学理事会：2025为人工智能做好国家研究生态系统的准备-2025年战略与进展报告（英文版）（118页）
光子盒：2025全球量子计算产业发展展望报告（184页）
奥纬论坛：2025塑造未来的城市研究报告：全球1500个城市的商业吸引力指数排名（124页）
FutureMatters：2024新兴技术与经济韧性：日本未来发展路径前瞻报告（17页）
《人类与人工智能协作的科学与艺术》284页博士论文
《论多智能体决策的复杂性：从博弈学习到部分监控》115页
《2025年技术展望》56页slides
大语言模型在多智能体自动驾驶系统中的应用：近期进展综述
【牛津大学博士论文】不确定性量化与因果考量在非策略决策制定中的应用
皮尤研究中心：2024美国民众对气候变化及应对政策的态度调研报告：气候政策对美国经济影响的多元观点审视（28页）
空间计算行业深度：发展趋势、关键技术、行业应用及相关公司深度梳理-250224（33页）
Gartner：2025网络安全中的AI：明确战略方向研究报告（16页）
北京大学：2025年DeepSeek系列报告-提示词工程和落地场景（86页）
北京大学：2025年DeepSeek系列报告-DeepSeek与AIGC应用（99页）
CIC工信安全：2024全球人工智能立法的主要模式、各国实践及发展趋势研究报告（42页）
中科闻歌：2025年人工智能技术发展与应用探索报告（61页）
AGI智能时代：2025年Grok-3大模型：技术突破与未来展望报告（28页）
上下滑动查看更多
