IT之家 4 月 13 日消息，随着人工智能（AI）技术的不断发展，所谓的“推理”AI 模型成为了研究热点。这些模型能够像人类一样逐步思考问题，在特定领域，如物理学中，被认为比非推理模型能力更强。然而，这种优势却伴随着高昂的测试成本，使得独立验证这些模型的能力变得困难重重。
据第三方 AI 测试机构“人工智能分析”（Artificial Analysis）提供的数据显示，评估 OpenAI 的 o1 推理模型在七个流行的 AI 基准测试（包括 MMLU-Pro、GPQA Diamond、Humanity's Last Exam、LiveCodeBench、SciCode、AIME 2024 和 MATH-500）中的表现，需要花费 2767.05 美元（IT之家注：现汇率约合 20191 元人民币）。而评估 Anthropic 的 Claude 3.7 Sonnet 这一“混合”推理模型的成本为 1485.35 美元（现汇率约合 10839 元人民币），相比之下，测试 OpenAI 的 o3-mini-high 则只需 344.59 美元（现汇率约合 2514 元人民币）。尽管有些推理模型的测试成本相对较低，例如评估 OpenAI 的 o1-mini 只需 141.22 美元（现汇率约合 1030 元人民币），但从整体来看，推理模型的测试成本仍然比较高昂。截至目前，“人工智能分析”已经花费了约 5200 美元（现汇率约合 37945 元人民币）来评估大约十几种推理模型，这一金额接近该公司分析超过 80 种非推理模型所花费的 2400 美元的两倍。
OpenAI 在 2024 年 5 月发布的非推理 GPT-4o 模型，其评估成本仅为 108.85 美元，而 Claude 3.6 Sonnet（Claude 3.7 Sonnet 的非推理前身）的评估成本为 81.41 美元。“人工智能分析”联合创始人乔治・卡梅伦（George Cameron）向 TechCrunch 表示，随着越来越多的 AI 实验室开发推理模型，该组织计划增加其测试预算。“在‘人工智能分析’，我们每月进行数百次评估，并为此投入了相当可观的预算，”卡梅伦说，“我们预计随着模型的频繁发布，这一支出将会增加。”
“人工智能分析”并非唯一面临 AI 测试成本上升的机构。AI 初创公司“通用推理”（General Reasoning）的首席执行官罗斯・泰勒（Ross Taylor）表示，他最近花费了 580 美元用大约 3700 个独特的提示词评估了 Claude 3.7 Sonnet。泰勒估计，仅对 MMLU Pro（一套旨在评估模型语言理解能力的问题集）进行一次完整的测试，成本就会超过 1800 美元。“我们正在迈向一个世界，在这个世界里，一个实验室在一项基准测试中报告 x% 的结果，而他们在其中花费了 y 数量的计算资源，但学者们的资源远远小于 y，”泰勒在 X 上最近的一篇帖子中写道，“没有人能够复制这些结果。”
那么，为什么推理模型的测试成本如此之高呢？主要原因在于它们生成了大量的 token。token 代表原始文本的片段，例如将单词“fantastic”拆分为音节“fan”、“tas”和“tic”。据“人工智能分析”称，在该公司的基准测试中，OpenAI 的 o1 生成了超过 4400 万个 token，大约是 GPT-4o 生成量的八倍。大多数 AI 公司都是按 token 收费的，因此成本很容易就会累积起来。
此外，现代基准测试通常会从模型中引出大量 token，因为它们包含涉及复杂、多步骤任务的问题。Epoch AI 的高级研究员让-斯坦尼斯拉斯・德内恩（Jean-Stanislas Denain）表示，这是因为今天的基准测试更加复杂，尽管每个基准测试的问题数量总体有所减少。“它们通常试图评估模型执行现实世界任务的能力，例如编写和执行代码、浏览互联网以及使用计算机，”德内恩称。德内恩还指出，最昂贵的模型随着时间的推移，每个 token 的成本也在增加。例如，Anthropic 在 2024 年 5 月发布的 Claude 3 Opus 是当时最昂贵的模型，每百万输出 token 的成本为 75 美元。而 OpenAI 今年早些时候推出的 GPT-4.5 和 o1-pro，每百万输出 token 的成本分别为 150 美元和 600 美元。
“尽管随着时间的推移，模型的性能有所提高，达到给定性能水平的成本也确实大幅下降，但如果你想在任何特定时间评估最大最好的模型，你仍然需要支付更多，”德内恩说。许多 AI 实验室，包括 OpenAI，为测试目的向基准测试组织提供免费或补贴的模型访问权限。但一些专家表示，这会影响测试结果的公正性 —— 即使没有操纵的证据，AI 实验室的参与本身就可能损害评估评分的完整性。
