近来，GPT-4.1关键人物揭秘了GPT-5进展，挑战在于平衡推理与聊天能力。与此同时，OpenAI首席研究官在新采访中，畅谈了通往AGI之路的关键要素。

GPT-5到哪一步了？

最近，GPT-4.1核心研究员Michelle Pokrass透露，构建GPT-5的挑战在于，在推理和聊天之间找到适当的平衡。

她表示，「o3会认真思考，但并不适合进行随意聊天。GPT-4.1通过牺牲一些闲聊质量来提升编码能力」。

「现在，目标是训练一个知道何时认真思考、何时交谈的模型」。

在长达50分钟的最新对谈中，Michelle首次对外介绍了更多关于GPT-4.1背后开发过程，以及RFT在产品中发挥的关键作用。

面对AGI的终极目标，OpenAI首席研究官表示，「AGI不仅仅是ChatGPT，还包含了很多东西」。

当前，OpenAI面对的不仅仅是技术挑战，还得在信任、伦理上找到平衡。

GPT-4.1研发背后

Michelle Pokers表示，GPT 4.1的目标是让开发者在使用时感到愉快。

有时候，为了优化基准测试而调整模型，结果看起来不错，实际使用却发现一些问题，比如模型不遵循指令、格式怪异，或者上下文太短。

团队花了很多精力与用户沟通，收集他们的意见，然后将这些反馈转化为研究过程中真正能用得上的信息。

研究人员会观察反馈中反复出现的主题，如指令遵循能力。

OpenAI内部也使用了这些模型，所以能感觉到模型在哪些地方表现得不好。

综合这些因素，团队可以确定哪些评估指标是客户真正需要重点优化的。

OpenAI有一款电子邮件产品，在处理邮件时能获得免费的推理服务。作为交换，公司能利用这些数据。

Michelle真的很喜欢看到人们构建的各种酷炫的用户界面。

团队在模型开发的最后阶段悄然加入了一项改进，就是大幅提升了UI和编码能力。

她也看到喜欢人们使用Nano的情况，它小巧、便宜又快。

Nano背后的假设是，能否通过廉价且快速的模型来大幅推动AI的普及？答案是肯定的。人们对和成本延迟曲线上的各种地方都有需求。

在提升模型性能方面，GPT 4.1聚焦长上下文和指令跟随。

长上下文处理能力是衡量模型在复杂任务中表现的重要指标，但生成有效的长上下文评估内容颇具挑战。

OpenAI致力于获取更多真实世界的长上下文评估数据，以提升模型在实际应用中的表现。

在模型应用中，模糊性处理是一大难题。

是向用户进一步询问信息，还是依据已有信息进行假设推理，这需要开发者能够灵活调整模型的策略。

GPT 4.1在这方面做出改进，增强模型的可操控性，减少因模糊性导致的困扰。

API出现错误时，模型可能卡顿，影响使用体验。

OpenAI通过改进训练算法和数据处理方式，让模型面对错误和异常情况时持续稳定运行。

GPT 4.1在代码编写能力上有显著提升，在局部代码修改任务中表现出色，但涉及全局上下文和复杂代码推理时，仍需优化。

例如，处理文件间复杂技术细节传递的任务时，模型的理解和处理能力有待加强。

在前端编码方面，团队不仅要求功能正确，还注重美观和规范，符合工程师的专业审美。

RFT新突破

微调技术在GPT 4.1扮演着重要角色，RFT（强化微调）的出现，为模型能力拓展带来新的可能。

与传统的SFT相比，RFT在特定领域展现出强大的优势。

在芯片设计、生物学和药物研发等领域，RFT的微调过程数据效率极高，仅需几百个样本就能取得良好效果。

在药物研发中，通过RFT可以利用独特且可验证的数据，让模型更精准地模拟药物作用机制，加速研发进程。

芯片设计领域，RFT能帮助模型更好地理解和处理复杂的设计规则，优化设计方案。

这些领域的共同特点是，虽然需要不断探索，但实验结果容易验证，与RFT的优势高度契合。

OpenAI首席研究官：通往AGI之路

在外媒TechINAsia最新文章中，通过采访OpenAI模型背后的人，向外界再次展示了OpenAI可预见的AGI的未来。

Mark Chen，这位华人研究科学家，在内部模型研发中扮演着举足轻重的作用。

在OpenAI的七年时间里，他从研究科学家逐步晋升为首席研究官，负责模型开发和公司整体研究工作。

他领导了多项里程碑式的项目——o1系推理模型、文本到图像模型Dall-E，以及融入视觉感知的GPT-4。

从金融到AI，意外的职业转折

Mark Chen的职业生涯，并非从一开始就锁定AI。

在MIT获得数学与计算机科学双学位后，他原本的计划是，继续攻读博士学位，成为一名教授。

然而，命运的转折点出现。

在计划合作的教授创立了一家对冲基金后，他改变了方向，随之加入了金融行业。

在这样高频交易的世界里，Mark Chen度过了6年。

他坦言，「这份工作在某些方面令人满足，但在其他方面非常不满足。你面对同样的竞争对手，大家都在追求更快，但你感觉不到自己正在改变世界」。

2016年，谷歌AlphaGo在一场历史性比赛中，击败了九段棋手李世石，其人类水平的表现甚至让AI专家震惊。

受此启发，Mark Chen通过实现Deep-Q神经网络复刻AlphaGo。正是这一尝试，让他彻底迷上了AI。

尽管没有博士学位，幸运的是，他通过OpenAI的驻留计划，幸运地迈入了这一领域。

找到AGI最佳平衡

在谈及AGI之时，Mark Chen表示，「我们采用非常广泛的定义，它不仅是ChatGPT，还包括了其他东西」。

一直以来，OpenAI将AGI视为AI的圣杯，并制定了五级框架来实现这一目标。

而现在，他们已经到达了第三级，智能体AI（Agentic AI）——能自主执行复杂任务和规划。

Mark Chen介绍称，OpenAI近期推出的两款AI智能体产品，Deep Research和Operator尚处于早期阶段。

Operator在未来，速度可以更快，轨迹可以更长，这些产品代表了OpenAI对智能体AI的雄心。

他还强调，平衡短期产品发布与长期研究，将计算资源分配到OpenAI的整个项目组合中，是自己工作的核心，最终确保OpenAI在商业化与科学探索之间找到最佳平衡。

Mark Chen对OpenAI内部算法的优化充满信心。

他表示，自家的推理模型在训练时，使用的数据远少于预训练模型，但通过更多计算资源实现了高效性能。

由此，OpenAI在效率上不逊于谷歌Gemini 2.5等竞争对手。

回应开源

几天前，奥特曼在一次会议上称，预计今年夏天开源首个推理模型。

在采访中，Mark Chen同样透露，公司正计划发布GPT-2以来首个开源语言模型。

他认为，开源模型的优势在于推理能力和开发者对其进行优化，但也因安全措施较少，而存在滥用的风险。

面对DeepSeek等AI模型强势崛起，Chen显得从容不迫。

他表示，在AI领域最大的危险，是反应过度。OpenAI坚信自己的路线图，专于长期目标而非短期市场噪音。

最后，Mark Chen还为想要进入AI领域的年轻人提供了建议：「深入熟悉所有工具，永远保持好奇心」。

你玩的工具越多、越好奇，就越能理解其他人试图推动的领域，以及未来的正确方向。你必须保持领先。

这是一个变化很快的领域。你看到的许多被探索的事物，都是未来的瞥见。

参考资料：

https://www.techinasia.com/man-models-openais-research-chief-road-agi 

https://www.youtube.com/watch?v=NNGbaiN1L7Y 

https://x.com/slow_developer/status/1921248876687999153 

https://x.com/jacobeffron/status/1920849638166315104