新智元报道
编辑：编辑部 JZs
在知名 AI 排行榜 LM Arena 中，曾全班垫底的 GPT-4.5 竟一度拿下第一？甚至在数学、编程等领域表现优异，这反常的表现让网友们一度质疑：大模型竞技场莫非被 LLM 操纵了？不过网友们在实测后却惊讶发现，GPT-4.5 的确情商爆表，不用推理就能理解人类的深层意图！
GPT-4.5，口碑又意外反转了？
经过 3 千多轮比较，GPT-4.5 在全部类别拿下第一，位居 LLM 竞技场首位！
结果一转眼，它就在大模型竞技场上登顶了？？
刚刚，LLM Arena 排行榜官宣：GPT-4.5 在所有类别中都位居榜首，在风格控制、多轮对话方面独占鳌头，拿到了 1411 的总分。
在多轮对话、困难提示、编码、数学、创意写作、指令遵循、长查询等领域都是第一！
这个结果，也太让人意外了吧……
马斯克立马跳出来表示：GPT-4.5 只是短暂的第一，并不会维持太久。
果然，马斯克话音刚落不久，大模型竞技场的 TOP 1 就成了 Grok-3，总分 1412，跟 GPT-4.5 的比分紧咬，差距极小。
但无论如何，曾经登顶 TOP 1 的 GPT-4.5，给人们留下了一串串的疑问：它不光情商高，让人如沐春风，而且绝顶聪明，睥睨群雄，天下第一，吊打 o1、Grok-3、Clauede 等前辈？？？
主打一个「高情商」的 GPT-4.5，纯靠情商就能拿下编程、数学等领域第一吗？
现在，已经直接有网友开始质疑：大模型竞技场是不是有什么问题了。
甚至还有人猜测：LLM 是不是已经学会操纵 LMArena 了？
GPT-4.5 智商结果公布：得分 94 排名第五
就在同时，GPT-4.5 的智商测试结果也公布了。
可以看到，GPT-4.5 的线下测试智商为 97，线上门萨测试智商为 94。
总之，无论是线上还是线下智商测试，GPT-4.5 的得分都没有 OpenAI 的 o1 Pro、o3 mini 和 o1-preview 高。
这个结果，总算是合理了些。
而在众多大模型中，线下智商测试得分最高的是 OpenAI o1 pro，线上门萨智商测试得分最高的是 OpenAI o1。
但要和人类比的话，GPT-4o 可以说已经和人类的智商齐平。
人类的平均智商，大概在 90 到 110。爱因斯坦的智商约为 160，而陶哲轩被认为世界上智商最高的人，得分在 225 到 230 之间。
人类的智商被 LLM 超越，应该也就是近在咫尺的事了。
然而也有很多人质疑了：给 LLM 测智商，到底意义几何呢？
原因在于，智商是一个和人类心智独特性相关的度量，不可能与 LLM 相关。
网友实测惊喜：它很理解用户意图！
最近，奥特曼就晒出了自己和 GPT-4.5 对话的记录。
他提问道：「奇点临近，未知在哪一侧」，你如何看待？
GPT-4.5 意味深长地答道：我们已经超越了奇点的事件视界，但只是刚刚越过。
我们已踏入奇点的引力范围，但要理解它的后果，依然为时尚早。
显然，奥特曼对于 GPT-4.5 的表现非常满意。
而就在这些天的实测中，许多网友也发现，GPT-4.5 拥有一种超凡的自我意识，在理解用户意图上令人惊喜。
比如下面这个例子中，用户就开了一个关于国际象棋的粗俗玩笑，GPT-4.5 没有任何困难地就接住了这个梗，并且给出了适宜的回答。
这位 AI 大V表示，自己对此印象太深刻了！因为 GPT-4.5 在完全没有经过任何思考 token 的情况下，就抓住了这个微妙之处。
他感慨道：预训练并没有过时，只是在某些领域收益递减了，但在其他领域却得到了惊人的提升！
相比之下，对于这句让 LLM 很难理解的人类粗俗玩笑，Claude Sonnet 很显然并没有理解。
同样，Grok 3 也没有 get 到这句话的意思。
对此，不服气的马斯克还出现在了评论区，贴上了 Grok 3 的回复，力证它并没有落后。
GPT-4.5 并非文武双全
仔细看竞技场排名，目前在「语言」（language）选项上，UB 排名第一的是 Grok-3-Preview-02-24，得分 1412，共 3364 次投票。
GPT-4.5-Preview 的 UB 排名第二，得分 1411，只在「风格控制」（StyleCtrl）上排名第一，共 3224 次投票。
· UB 排名：模型的排名上限，由统计上优于目标模型的数量加一确定。当模型A的 95% 置信区间下限分数高于模型B的上限分数时，认为模型A在统计上优于模型B。
· 风格控制排名：考虑了响应长度和 Markdown 使用等影响因素的模型排名，从而将模型性能与潜在的混淆因素分离。
「综合」（Overall）选项上，Grok-3 和 GPT-4.5 排名并列第一，后者在部分项目上有微弱优势。
在编程（coding）和数学（math）上，GPT-4.5 的确和 Grok-3 并列第一。
按不同语言分类，Grok-3 和 GPT-4.5 在英文、中文、德文等语言上并列第一。
此外 DeepSeek-R1 在中文上也是第一。
WebDev Arena 是实时进行的 AI 编程竞赛，各个模型在「网页开发」挑战中直接对决，GPT-4.5 压根没参赛！
而且 OpenAI 的模型表现并非佳，最好的 o3-mini-high 与 Early-grok-3 并列第4，落后与 Claude 3.7 Sonnet、Claude 3.5 Sonnet 以及 DeepSeek-R1。
GPT-4.5 新王登基？测试让人大跌眼镜
对于 GPT-4.5，某研究者也发表了一篇博客，来对它详细进行了剖析。
GPT-4.5 在社区中引发了褒贬不一的反应。
尽管前期进行了大肆炒作，该模型却未能完全达到人们的高期望。
一些测试结果让人大跌眼镜。
Karpathy 的测试表明，在五分之四的情况下，用户更倾向于 GPT-4o 的回答。
尽管 GPT-4.5 被宣传为更具创意和情商，但在实际的用户体验中，这些优势并没有充分体现出来。
甚至有用户反馈，在创意写作方面，GPT-4.5 的表现不如之前的模型。
此外，高昂的使用成本也成为了推广 GPT-4.5 的一大障碍。
与 GPT-4o 相比，GPT-4.5 的 API 价格大幅上涨：输入 token 价格从每百万 2.50 美元涨到了 75 美元，输出 token 价格从每百万 10 美元涨到了 150 美元。
用户对 GPT-4.5 的高价普遍表示难以接受，一些网友直言「只是为了感觉更有氛围而花 75 美元」。
对于小型公司和独立开发者来说，如此高昂的成本无疑是一个巨大的负担，影响了 GPT-4.5 的广泛应用。
GPT-4.5 的高价格可能反映了背后的资源约束。
Altman 表示，尽管公司希望同时推出 GPT-4.5 Plus 和 Pro 版本，但 GPU 资源已经用尽，计划在下周增加数万个 GPU，然后才能推广到 Plus 用户。
尽管 GPT-4.5 在某些方面取得了明显的进步，许多人期望的全面改进却并未实现。
由于其庞大的规模和复杂的架构，GPT-4.5 的响应速度更慢，降低了用户体验。
Sam Altman 对 GPT-4.5 的高调宣传，抬高了人们的期望，他将其描述为第一个「真正让人感受到 AGI」的时刻。
如果现实未能达到预期，这种宣传也会像回旋镖一样对他不利。
为什么现在发布 GPT-4.5？
与 GPT-4 两年前的盛大发布相比，GPT-4.5 的发布出奇地低调简约，令许多人感到意外。
Sam Altman 没有亲自出席这次发布会，这引发了外界对 OpenAI 对 GPT-4.5 的重视程度和信心的疑问。
GPT-4.5 的目标受众主要是广大的普通用户，借助 AI 完成撰写邮件、总结文章等任务。
GPT-4.5 是 OpenAI 从 GPT-4o 向 GPT-5 过渡的关键桥梁，成为了创意、沟通和解决实际问题的日常伙伴。
OpenAI 明确表示，GPT-4.5 并非旨在取代 GPT-4o，这一表态进一步增加了市场对 GPT-4.5 未来的不确定性。
对许多人来说，ChatGPT 就是 AI 的代名词，再加上 OpenAI 对 AGI 的大力炒作，提高了人们对新模型的期待。
GPT-4.5 发布的原因可能是市场竞争加剧。
短时间内，越来越多更好的模型进入市场。DeepSeek R1 可以与 GPT-4o 相媲美，xAI 的 Grok 3 看起来几乎像人类，OpenAI 面临着巨大的压力。
GPT-5 预计在几个月内发布，首次在模型中结合推理和非推理组件，可以自主决定对查询的反应强度，即「推理扩展」。
GPT-4.5 是战略性回应，目标是留住付费用户，防止其在 GPT-5 发布前转向竞争对手，保持 OpenAI 在市场中的领先地位。
参考资料：
https://x.com/lmarena_ai/status/1896590146465579105
https://x.com/elonmusk/status/1896624102674506172
https://www.forwardfuture.ai/p/gpt-4-5-a-new-king-on-the-throne
