摘要

GPT-5 的战略目标，是让推理成为默认能力，而不是迫使用户在即时响应的 GPT 模型和更慢的 o 系列之间做选择。 OpenAI 正在研究每个提示词究竟应分配多少思考时间，目标是消除这种产品层面的摩擦，并让更具代理性的行为“默认”可用。对投资者而言，竞争正转向自适应思考预算、延迟、可靠性和可用的自主性。
OpenAI 认为许多熟悉的评测实际上已经接近饱和，正转向以真实发现和经济相关性为基础的基准。 强化学习可以造出狭窄领域的专家，因此从96%提升到98%，相比过去未必还能说明同等程度的泛化能力。AtCoder 和 IMO 仍是可信的标尺，因为许多顶尖研究者都从这些竞赛中成长起来，但下一个里程碑是“让真正具有经济意义的事情发生实质性进展”。
核心研究路线图，是打造能够在机器学习及其他科学领域发现新想法的“自动化研究员”。 Jakub Pachocki 估计，接近掌握高中竞赛水平，大致对应“1至5小时的推理”；接下来的进展需要更长时间跨度的规划、持久记忆、从失败路径中恢复，以及在不断拉长的时间尺度上进行自主运行。
强化学习之所以持续带来进步，是因为语言模型预训练提供了早期 RL 系统所缺少的丰富环境。 自然语言建模赋予模型对人类语言的细腻理解，此后研究者便能探索更多目标和领域。Mark Chen 预计奖励设计会变得更简单，而 Pachocki 认为学习方式应逐渐更接近人类，并警告企业“不要假设现在的状态会永远持续”。
GPT-5-Codex 表明，部署质量取决于是否正确分配智能和时间，而不只是把智能最大化。 上一代模型在最难的任务上投入时间不足，却在简单任务上耗时过多；新版本的目标是在简单工作上降低延迟，在复杂、混乱的编码环境中进行更深度的推理。Jakub Pachocki 说自己过去主要使用 Vim，如今一个30个文件的重构可以“基本完美地在15分钟内完成”，但这些工具仍处在“诡异谷”中，距离一名同事还有差距。
“Vibe researching”是人们期待的未来，但嘉宾认为品味、坚持和诚实的失败分析仍是不可替代的支柱。 研究意味着尝试“最可能失败”的事情，在不刻意“证明它有效”的前提下保持信念，并同时识别软件 Bug 和错误的概念框架。人类研究者仍需选择重要且困难的问题，并学会判断何时坚持、何时转向。
OpenAI 的组织方式结合了受保护的基础研究、审慎的优先级管理，以及仍然稀缺的算力。 实验室不会追逐每一次竞争对手发布，分别为算法进步和产品导向研究设定不同使命；当被问到如果多获得10%的资源会投向哪里时，Jakub 的回答被打断在“算力”。投资过于分散的风险，是最终“每件事都只能排第二”；长期约束也会从算力扩展到能源、机器人和物理世界。

精读

1. GPT-5 让推理成为默认能力，而非独立模式

Mark Chen 将 GPT-5 定义为一次“让推理进入主流”的尝试。过去，用户必须在即时响应的 GPT-2/3/4 系列与思考时间长得多的 o 系列模型之间做选择；GPT-5 则试图为每个提示词推断合适的推理预算。
产品理念与原始能力同样重要：用户不应再为该选哪种模式而感到“困惑”。OpenAI 希望替用户拿走这个决定，同时让推理和代理式行为“默认”可用，尽管模型整体能力也优于 o3。
两位嘉宾描述了不同的个人使用门槛。Chen 说，o3 已经让数学公式和推导对日常工作“相当可信”；Pachocki 则表示，GPT-5 又进一步进入了硬科学领域，物理学家和数学家反复发现，它能够产出此前模型无法完成的非平凡数学成果。

2. 静态基准正让位于发现这一真正评测

Pachocki 对传统评测的批评是：在一个几乎饱和的测试中从96%提升到98%，已经不再具有决定性。在 GPT-2 到 GPT-4 时代，一套预训练方法可以通过广泛泛化能力来判断；如今强化学习能够有意把模型训练成某一领域的专家，因此从专业领域高分推断广泛泛化能力，依据已经变弱。
竞赛成绩仍然重要，因为它们不只是人为设计的测试。Pachocki 称 AtCoder 和 IMO 是“衡量未来研究成功与否的现实标志”，并指出许多杰出研究者都在这些竞赛中成长；OpenAI 在 AtCoder 竞赛中已经达到第2名。
更有分量的证据来自一线科学家。Pachocki 描述了一个“灯泡亮起的时刻”：GPT-5 自动化完成了一项原本可能需要学生数月才能完成的工作，但他也强调，这些数学并非没有难度，却未必非常复杂。
因此，OpenAI 认为自己正处于“评测赤字”之中。替代目标不再是另一套已经饱和的问题集，而是证明模型能够发现新事物，并让具有经济相关性的工作“真正取得进展”。

3. 自动化研究员首先是时间跨度与记忆问题

Pachocki 直截了当地说出了路线图：“我们研究的重大目标，就是打造一个自动化研究员。”让模型自动化 OpenAI 自身的机器学习研究是显而易见的测试，但团队也希望模型推动其他科学进步，而不是只通过自我指涉的循环来衡量自己。
Pachocki 估计，接近掌握高中竞赛水平，大致对应“1至5小时的推理”。下一次跃升需要在更长时间跨度上进行规划并保留记忆，因此可靠自主运行的持续时间会成为尤其重要的评测指标。
主持人的质疑值得保留：每增加一次工具调用或规划跳转，都可能带来质量回归，或增加系统偏离轨道的机会。Pachocki 的回答是，这本质上是同一个问题：保持深度意味着保持一致性，而推理模型已经能够延长其偏离轨道前的持续时间。
Chen 用数学工作说明了所需的稳健性：尝试一种方法，吸收尖锐反馈，诊断错误，选择另一条路径，然后重复这一过程。推理不是简单地产生更多中间步骤，而是这个持续恢复的循环。

4. 长时间跨度的研究正在抹平可验证工作与开放式工作的界线

Pachocki 不认同在任务持续数月或数年后，形式化领域与开放式领域之间仍存在清晰边界。一个持续1小时的约束问题可能拥有有限的想法空间；但要证明一道千禧年大奖难题，则需要选择相关领域、从物理学中寻找灵感，并设计完整的研究计划。
即便是降低建模损失这样看似明确的目标，在研究尺度上也会变得开放式：更难的问题是，团队是否“真的在提出正确的问题”。因此，时间跨度越长，问题定义、品味和探索就越会成为原本可验证工作的一部分。
Anjney Midha 提到，OpenAI 也在思考“开放式”的边界，并引用了 Sam 此前关于让模型进行更有创造力写作的推文。这里的主张不是每个领域如今都有客观奖励，而是研究最终必须同时覆盖强反馈和不那么明确的判断。

5. 语言预训练让 RL 变成不断复利的研究平台

Chen 将 RL 早期的瓶颈归因于环境：研究者拥有强大的学习方法，却难以让智能体扎根现实，甚至曾考虑构建模拟岛屿，让智能体在那里协作和竞争。大规模自然语言建模提供了一个对人类语言拥有“极其细腻理解”的环境。
当强化学习运行在这个预训练基础上，研究者便能在一个稳健、信息丰富的环境中追求多种目标。Chen 称这或许是 OpenAI 数年来“最令人兴奋的时期”，因为许多新方向同时显现出潜力，但也承认团队仍在摸索它们如何结合。
当被问到生物学家、物理学家或企业该如何设计奖励时，Chen 预计这一过程会迅速演化并变得更简单。Pachocki 表示，这个领域仍在摆脱两年前理解微调数据集的方式，转向更接近人类的学习；他的核心警告是：“不要假设现在的状态会永远持续。”

6. Codex 重新分配思考时间，让手动编码变得可有可无

Chen 将 Codex 团队的工作描述为：把原始的推理智能转化为现实世界中有用的编码能力。编码环境本身很混乱，而质量还包括风格、主动性以及模型是否“偷懒”等更柔性的行为，因此团队实际上既在定义行为规范，也在提升任务表现。
核心修正之一，是为每项任务重新分配时间和延迟。上一代模型在最难的问题上耗时不足，却在简单问题上耗时过多；GPT-5-Codex 的目标是在问题简单时降低延迟，在更深度的工作确实能改善结果时提高延迟。
Pachocki 说自己过去主要使用 Vim，并描述了自己的转变：“一个30个文件的重构，你可以基本完美地在15分钟内完成——你多少得用起来。”但他仍将这种体验置于“诡异谷”中：非常有用，却“还不如一个同事”。
竞赛编程的前沿尚未完全关闭：IMO 第6题和最难的编程题仍然“留有一点前进空间”。但 Anjney 与高中生的接触说明，文化转变已经到来——对他们而言，从头编写代码的机制显得奇怪，因为“Vibe Coding 就是默认的编码方式”。他期待的续集是：“希望未来会是 Vibe Researching。”

7. Vibe researching 仍取决于坚持、品味与失败

Pachocki 的定义从不确定性开始：研究是在创造或学习某个尚未被证明有效的东西，这意味着“你总是在尝试最可能失败的事情”。研究者需要清晰的假设、学习的准备，以及足够的诚实，不因想证明偏好的想法有效而扭曲证据。
主持人追问，信念与求真是否天然存在张力。Pachocki 的回答是否定的：一个人可以坚定地相信并坚持下去，即便结果持续为负，只要他准确追踪进展，并从失败中更新认知，而不是把承诺与确认偏误混为一谈。
他选择问题的启发式方法，是追逐那些既重要、又被普遍认为不可行的问题，然后追问究竟是什么阻挡了下一步。对结果的强烈在意，提供了支撑数年坚持所需的动力。
Chen 强调，经验会教会人判断合适的问题时间跨度，也会教会人管理反复失败带来的情绪。论文和同事有助于培养“有趣性”，但“捷径非常少”；有时正确的选择是坚持，有时则是换一个问题。
一个反复出现的突破机制，是发现 Bug。这些 Bug 可能是悄悄让数月实验失效的真实软件缺陷，也可能是导致错误假设的思维框架“Bug”；最初的推理模型和规模更大的预训练模型都遇到过这类问题，最终需要重新思考原有假设与框架。

8. OpenAI 保护前沿研究，而算力仍然稀缺

Chen 表示，招聘主张是基础发现，而不是追问“公司 X”或“公司 Y”刚刚发布了什么：“我们真的不喜欢复制。”招聘更看重候选人是否在物理学、计算机科学、金融或其他领域解决过难题，同时具备扎实的技术基础、雄心，以及坚持处理困难工作的意愿。Chen 还提到 OpenAI 的 resident 项目，通过让其他领域的人亲手实现核心成果，把他们带入 AI。
研究人才不必符合单一的工程师范式。有些研究者通过源源不断的想法产生“极高的 alpha”；另一些人则围绕一个想法严谨地绘制实验空间。组织的目标是把这两种风格结合起来，而不是要求每位贡献者以同一种方式体现影响力。
两位负责人都认为，必须把“基础研究”保护起来，避免其被持续不断的产品需求和竞争性发布牵着走。产品导向的研究者应承担明确责任，而另一组人则需要空间去思考模型在1至2年后可能是什么样；自动化研究员这一目标提供了粗略的方向，但不会规定每个项目的具体内容。
Nano Banana 体现了投资组合中的张力：有吸引力的媒体工具可以释放日常创造力，OpenAI 并不阻止对这些产品感兴趣的研究者。解决方案是保持一致的优先级管理，同时单独保护算法进步，并根据每月需求在核心研究与产品研究之间动态调配算力。
当被问到如果多获得10%的资源会投向哪里时，Pachocki 开始回答“算力”，随后话题转开。他还表示，并不认同 AI 很快会主要受数据约束的说法；任何怀疑资源稀缺的人，都应该“来替我干一周的工作”。如果缺乏优先级管理，危险就是变成“每件事都只能排第二”。
Pachocki 的长期判断并不止于算力，还包括能源和其他物理约束；机器人很可能在“不太远的未来”成为主要关注方向。至于智能本身，他不愿作出太多假设。
实验室的速度部分来自避免陷入学习平台期：Chen 说，新结果出现得足够快，跟上进展本身就是一份全职工作；Pachocki 则描述了团队如何围绕新的约束和可能性不断重组。他们的合作关系，也源于一次早期并不受欢迎的推理工作——Pachocki 深入攻克技术问题，Chen 则把分散的贡献者组织成一支统一的团队。

Amp：皇帝没穿衣服 2025年9月随想杂谈