o1：完整基准性能指南

openai o1 2024-12-17 Proprietary

深入分析 o1 在 MMLU、HumanEval、GSM8K、MATH、BBH 等基准上的表现，包含定价与适用场景。

核心规格

厂商openai
版本o1
发布日期2024-12-17
上下文窗口200000 tokens
输入模态text
输出模态text
许可Proprietary
文档https://platform.openai.com/docs/models

基准测试表现

基准 得分 单位 评测日期 备注 来源
MMLU 86.3 % 2024-12-17 5-shot 查看
HUMANEVAL 85.3 pass@1 2024-12-17 — 查看
GSM8K 88.9 % 2024-12-17 0-shot CoT 查看
MATH 55.7 % 2024-12-17 0-shot CoT 查看
BBH 83.1 % 2024-12-17 3-shot CoT 查看
GPQA 57.5 % 2024-12-17 0-shot 查看
IFEVAL 82.2 % 2024-12-17 prompt_strict 查看
ARC 96.8 % 2024-12-17 challenge 查看
MUSR 71.8 % 2024-12-17 0-shot 查看
WINOGRANDE 86.7 % 2024-12-17 0-shot 查看

定价

项目 价格 币种
输入$15 / MtokUSD
输出$60 / MtokUSD
缓存读$0 / MtokUSD
缓存写$0 / MtokUSD

数据来源: https://openai.com/api/pricing/ · 截至 2024-12-17

合规性

  • 数据驻留: US
  • SOC2: ✓
  • HIPAA: ✓
  • GDPR: ✓
  • ISO 27001: ✓

o1

模型概述

OpenAI o1 正式版推理模型, 200K 上下文, 强化链式思维推理, 在数学竞赛与编程竞赛上达到顶尖水平。

核心规格

厂商 版本 发布日期 上下文窗口 输入模态 输出模态 许可证
Openai o1 2024-12-17 200K text text Proprietary

基准测试表现

基准 得分 单位 备注
MMLU (Massive Multitask Language Understanding) 86.3 % 5-shot
HumanEval 85.3 pass@1 —
GSM8K (Grade School Math 8K) 88.9 % 0-shot CoT
MATH 55.7 % 0-shot CoT
BBH (BIG-Bench Hard) 83.1 % 3-shot CoT
GPQA 57.5 % 0-shot
IFEval 82.2 % prompt_strict
ARC 96.8 % challenge
MUSR 71.8 % 0-shot
WinoGrande 86.7 % 0-shot

定价

输入 输出 缓存读取 缓存写入
— — — —

每百万 token

优势

  • MMLU 得分 86.3，知识推理能力强。
  • HumanEval 85.3，代码生成能力出色。
  • GSM8K 88.9，数学推理稳健。

劣势

  • 闭源专有模型，不支持自托管。

适用场景

  • 代码生成与调试
  • Agent 工作流与工具调用

参考文献