摘要：o1在AIME测试中的表现与训练计算资源的关系但推理算力一旦摸到天花板，增长速度可能就会从「几个月翻10倍」掉到「每年翻4倍」。如果推理训练和整体前沿算力差距只有几个数量级（如小于三个数量级），估计一年内增速就得放缓。推理真能Scaling吗？现实没那么简单。
o1在AIME测试中的表现与训练计算资源的关系但推理算力一旦摸到天花板，增长速度可能就会从「几个月翻10倍」掉到「每年翻4倍」。如果推理训练和整体前沿算力差距只有几个数量级（如小于三个数量级），估计一年内增速就得放缓。推理真能Scaling吗？现实没那么简单。光堆显卡可不够，数据才是卡脖子的关键。推理训练需要大量难题数据，但高质量的题目不是无限的，找题、编题、生成数据都不容易。在数学、编程以外的复杂场景里，比如理解人类复杂情感，推理模型能不能同样好用，目前还是未知数。开发推理模型，真正花钱的可能不是训练本身，而是大量的试错实验——测试不同的题目、打分规则、训练方法，这些成本目前没人公开。虽然随着技术成熟，成本可能会降下来，但这些隐藏成本可能限制模型的扩展。对AI行业来说，任何暗示推理模型在短期内可能会触及发展瓶颈的消息，都让人心里一紧。毕竟，AI行业为了开发这类模型，砸进去了大量资源。已有研究表明，运行推理模型的成本极高，相比某些传统模型，更容易出现幻觉。不过也有好消息：即使算力增长放缓，模型说不定还能靠数据、算法创新接着变强。但无论如何，算力增长依然是关键，值得重点关注。毕竟，OpenAI和行业大佬们都信心满满，o3大概率没触达极限，后面肯定还有惊喜！参考资料：https://epoch.ai/gradient-updates/how-far-can-reasoning-models-scalehttps://techcrunch.com/2025/05/12/improvements-in-reasoning-ai-models-may-slow-down-soon-analysis-finds/原标题：《o3崛起，但推理模型离「撞墙」只剩一年？》 来源：科学有点意思儿
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!