隨著人工智能技術(shù)日新月異的發(fā)展，推理AI模型逐漸成為了科研領(lǐng)域的熱門焦點。這類模型能夠模擬人類的思考過程，尤其在物理學(xué)等專業(yè)領(lǐng)域，展現(xiàn)出了超越非推理模型的卓越能力。然而，高昂的測試成本卻成為了驗證這些模型性能的一大障礙。

據(jù)第三方AI測試機構(gòu)“人工智能分析”提供的數(shù)據(jù)，評估不同推理模型的費用差異顯著。以O(shè)penAI的o1推理模型為例，在七個主流的AI基準(zhǔn)測試中的評估費用高達(dá)2767.05美元，折合人民幣約20191元。相比之下，Anthropic的Claude 3.7 Sonnet混合推理模型的評估費用為1485.35美元，折合人民幣約10839元。而OpenAI的o3-mini-high模型評估則僅需344.59美元，折合人民幣約2514元。盡管存在費用較低的模型，如OpenAI的o1-mini評估費用僅為141.22美元，折合人民幣約1030元，但整體來看，推理模型的測試成本依然偏高。

“人工智能分析”機構(gòu)已投入約5200美元，折合人民幣約37945元，用于評估十幾種推理模型，這一投入幾乎是非推理模型評估費用2400美元的兩倍。OpenAI在2024年5月發(fā)布的非推理GPT-4o模型評估成本僅為108.85美元，而Claude 3.6 Sonnet的評估成本更是低至81.41美元。該機構(gòu)的聯(lián)合創(chuàng)始人喬治·卡梅倫表示，隨著推理模型的開發(fā)日益增多，測試預(yù)算也將相應(yīng)增加。

AI初創(chuàng)公司“通用推理”的首席執(zhí)行官羅斯·泰勒也面臨著測試成本上升的挑戰(zhàn)。他透露，為評估Claude 3.7 Sonnet，使用了約3700個獨特的提示詞，費用高達(dá)580美元。泰勒估計，僅對MMLU Pro進行一次完整測試的成本就可能超過1800美元。他擔(dān)憂地指出，隨著資源投入的差異，學(xué)者可能無法復(fù)制實驗室的報告結(jié)果。

推理模型測試成本高昂的主要原因在于其生成的token數(shù)量龐大。Token是原始文本的片段，如將單詞“fantastic”拆分為多個音節(jié)。據(jù)“人工智能分析”稱，在基準(zhǔn)測試中，OpenAI的o1模型生成了超過4400萬個token，是GPT-4o生成量的八倍。由于大多數(shù)AI公司按token收費，因此成本迅速累積。

現(xiàn)代基準(zhǔn)測試包含復(fù)雜、多步驟任務(wù)的問題，導(dǎo)致模型生成大量token。Epoch AI的高級研究員讓-斯坦尼斯拉斯·德內(nèi)恩指出，盡管每個基準(zhǔn)測試的問題數(shù)量總體減少，但問題本身更加復(fù)雜，旨在評估模型執(zhí)行現(xiàn)實世界任務(wù)的能力，如編寫和執(zhí)行代碼、瀏覽互聯(lián)網(wǎng)等。最昂貴的模型每百萬輸出token的成本也在不斷增加。例如，Anthropic發(fā)布的Claude 3 Opus模型每百萬輸出token的成本為75美元，而OpenAI的GPT-4.5和o1-pro模型的成本則分別為150美元和600美元。

德內(nèi)恩表示，盡管隨著技術(shù)進步，模型的性能提升且成本有所下降，但評估最大最好的模型仍需支付高昂費用。部分AI實驗室，包括OpenAI，為測試目的向基準(zhǔn)測試組織提供免費或補貼的模型訪問權(quán)限，但一些專家擔(dān)憂這可能影響測試結(jié)果的公正性。