大风起兮云飞扬：Agent,o3幻觉,刷榜,大厂布局深意…|南乔的月度观察

文章来源：08ai导航网发布时间：2025-08-07 09:24:28

1. OpenAI ✦ 依然是最勇敢的 AGI 探索者，踉跄是开拓者的勋章

近半年来，OpenAI 形象开始变得灰暗：团队骨干相继离职引发猜疑、组织转型遭受口诛笔伐、GPT-4.5/Sora 等模型表现不及预期，还有被 DeepSeek R1 打破的叙事神话……

踉跄前行的身影，让大众逐渐意识到：在最前沿的研究领域，强如 OpenAI，也无法躲避被「失败」肘击的命运。

我们观察到，OpenAI 在 4 月份经历了至少 3 次颠簸：1）o3 和 o4-mini 强大的视觉推理能力带来了同样强大的幻觉，2）GPT-4o 新版本因为谄媚而被撤回，3）DeepSeek R1 余威仍在。

逐一剖析下。

1）o3 与 o4-mini：探索模型能力边界，以及带来的「幻觉」代价

赛博月刊收录：

4 月 17 日，OpenAI 发布 o3 和 o4-mini 视觉推理模型，作为 o 系列的最强版本，其推理能力和工具调用能力都获得了显著增强。

OpenAI 在 System Card 里坦陈，与前代 o1 相比，o3 和 o4-mini 幻觉率明显上升（如上图所示）。

o4-mini 尚可以解释，毕竟小模型的世界知识相对有限，更容易产生幻觉。但旗舰级 o3 为什么也有这么高的幻觉率呢？OpenAI 初步分析是 o3 倾向于做出更多的断言，这在提升回答准确率的同时，也导致了不准确/幻觉内容的增加。但其深层机制仍然有待研究。

在将近一周的话题讨论中，有两项分析非常值得关注：非营利研究机构 Transluce 的分析报告与机器学习专家 Nathan Lambert 的一篇长文。

Transluce 在报告指出，o 系列推理模型普遍存在「幻觉」，不仅限于 o3（如上图所示）。可能的原因有两类：1）强化学习机制诱导模型陷入了「正确率陷阱」，导致模型为了获取正确奖励而生成看似合理但实则虚构的内容；2）彻底丢失思维链，使模型在后续对话中失去了推理记忆，被迫为过往行为编造解释，从而出现了「坚持错误 - 突然改口」的矛盾行为。

Nathan Lambert 则认为幻觉产生的根源在强化学习的「过度优化（Over-optimization）」。他推测，OpenAI 训练模型时大量采用其他 LLM 作为评估器，并且在优化过程中过于重视数学推理和代码生成等任务的准确性，从而牺牲了其他维度的鲁棒性，衍生出了严重的幻觉问题。

2）GPT-4o 新版本过度迎合人类：OpenAI 撤回了一次更新（瀑布汗

赛博月刊收录：

4 月 25 日，OpenAI 更新了 ChatGPT GPT-4o 模型，目标是提升问答自然度。但是，4 月 30 日，因新版本模型过于迎合用户，官方撤回了本次更新，恢复到了之前更平衡的版本。

对于本次新版本过于「谄媚」的原因，官方技术文档给出的解释是：OpenAI 一直在使用用户反馈（如点赞/点踩行为）来优化模型，但是本次更新的版本过于重视短期反馈数据，没有充分考虑到用户与 ChatGPT 长期互动的特点，导致模型有时会给出看似支持实则不够真诚的回答。

3）OpenAI 开源/闭源、付费/免费的策略摇摆，是百天前 DeepSeek 惊天一爆的余波

赛博月刊收录：

3 月 26 日，ChatGPT 上线新版 GPT-4o 图像生成模型，其受欢迎程度远超想象，为 ChatGPT 带来了新一波用户增长。

4 月 1 日，Sam Altman 宣布 ChatGPT 图像生成功能开放给所有免费用户，并在同一天宣布未来几个月将开源一款语言推理模型。

发现了吗？OpenAI 很矛盾。它把本可以继续吸引付费的图像生成功能，直接开放给免费用户。它不遗余力堆砌资源构建的封闭生态，却又要开源一款模型。

为什么会这样呢？我们可以从 Sam Altman 一次访谈中找到线索：他分析 DeepSeek 成功的原因，一是最前沿的模型完全免费开放，二是毫无保留地展示了「思维链」过程（OpenAI 隐藏了），因而迅速占领了用户心智。

作为对 DeepSeek 挑战的回应，OpenAI 调整了模型和产品策略，希望借助扩大用户范围（即免费）、展示技术实力（即开源）等措施，提升大众对 OpenAI 的了解和认可。

资料链接：

✦ OpenAI | Introducing OpenAI o3 and o4-mini → https://openai.com/index/introducing-o3-and-o4-mini

✦ OpenAI | OpenAI o3 and o4-mini System Card → https://cdn.openai.com/pdf/2221c875-02dc-4789-800b-e7758f3722c1/o3-and-o4-mini-system-card.pdf

✦ Transluce | Investigating truthfulness in a pre-release o3 model → https://transluce.org/investigating-o3-truthfulness

✦ Nathan Lambert | OpenAI"s o3: Over-optimization is back and weirder than ever → https://www.interconnects.ai/p/openais-o3-over-optimization-is-back

✦ OpenAI | Sycophancy in GPT-4o: what happened and what we’re doing about it → https://openai.com/index/sycophancy-in-gpt-4o

✦ Stratechery | An Interview with OpenAI CEO Sam Altman About Building a Consumer Tech Company → https://stratechery.com/2025/an-interview-with-openai-ceo-sam-altman-about-building-a-consumer-tech-company | 中文版本

2. Google ✦ Gemini 2.5 Pro 重回王座，但这只是庞大帝国的一个角落

从多个社区的反馈来看，Gemini 2.5 Pro 终于拿到了它应得的认可，成为开发者与先锋用户心中的首选模型。这是 Google 一次极为有力的自我证明，一扫早期的阴霾，重新回到人工智能竞赛的舞台中央。

不过，耀眼的 Gemini 也只是 Google 整体战略的冰山一角。Google Cloud Next "25 大会，为外界清晰地勾勒出了 Google 在 AI 领域广泛而深远的布局。

1）Google Cloud Next "25 大会：从 229 项公告，看 Google 的野心

赛博月刊收录：

4 月 9 日至 11 日，Google Cloud Next "25 大会在拉斯维加斯举行，35,000 多名从业人员与 350 多家赞助合作伙伴参与了会议。

Google Cloud Next 自 2016 年首办以来，已经成功举办了十届。Next "25 会议主题是 AI-Driven Transformation（AI 驱动的转型），系统阐述了 Google 将 AI 全面渗透至云平台各个层级的决心与能力，推动 AI 从概念验证走向企业规模化部署，切实创造商业价值。

特别值得一提的是，官方发布了一份包含 229 项更新的大会总结，内容横跨 AI 基础设施、数据处理、安全防护及开发者工具等多个领域，让外界得以窥见 Google AI 商业帝国的宏伟版图。随便挑几个我们比较熟悉的：Gemini 2.5 Flash、Imagen 3、Veo 2、Vertex、Agent Development Kit（ADK）、Agent2Agent（A2A） protocol、Deep Research agent、AlphaFold 3、Ironwood、 Gemini Code Assist、Firebase Studio……

2）WIRED 杂志采访 50 多名 Google 员工，深挖追赶 OpenAI 的艰辛历程

2022 年底，ChatGPT 横空出世，OpenAI 真的完成了初创时的雄心壮志，把 Google 拽下了王座。

从疲于应对到重回巅峰，Google 经历了非常艰辛的两年：内部进入 Code Red（红色警报）状态、Bard 聊天机器人回答踩中敏感话题、Google Brain 与 DeepMind 整合为 Google DeepMind、Gemini 系列模型正式入局、强势将 AI 功能整合到几乎所有产品线中（包括 Google 搜索），以及发布会一次次被 OpenAI 截胡…、

在最艰难混乱的时候，Google 员工聚集在走廊里聊天，担心 Google 可能成为下一个雅虎。

Google 是如何在两年内完成蜕变的呢？前段时间，WIRED（连线杂志）采访了 50 多名 Google 员工，包括工程师、市场人员、法律专家、安全顾问以及十几名高管，回顾了这段艰辛但也传奇的历程，内容非常详细（因此略微有点「流水账」）。

回过头看，此轮竞赛中，Google 是大型科技企业里面应对最有效、策略最彻底、体系最完善的组织，没有之一。

3）Google 还有目前最优秀的 AI 创新产品「孵化 - 放大」链路

在 AI Native 产品创意层面，Google 也是大型科技公司里面最出色的。我们熟知的 AI Overview、AI Mode，NotebookLM，Whisk、Learn About、Firebase Studio 等等，全都来自于 Google，而且是内部一个「神秘」组织 —— Google Labs。

前段时间，Google Labs 副总裁 Josh Woodward 在访谈中揭秘了 Google Labs 的运营精髓。我摘录几个印象深刻的点，推荐你阅读原文，找找他们层出不穷的创意到底从何而来！

其一，Google Labs 独立于其他产品部门，专注于开发创新型 AI 产品，核心使命是通过实验和快速迭代，在 50 到 100 天内完成创意的市场验证。

其二，Google Labs 人才团队非常多元，不仅有经验丰富的 Google 资深员工，还吸纳了外部优秀的全能型创业人才，也会邀请作家、音乐家等专业创作者深度参与产品设计。

其三，Google Labs 推崇实验精神与对失败的高度容忍，鼓励团队大胆尝试。产品能获取少量（如一万名）高粘性周活跃用户，即被视为重要的阶段性胜利。

资料链接：

✦ Google | 229 things we announced at Google Cloud Next "25 – a recap → https://cloud.google.com/blog/topics/google-cloud-next/google-cloud-next-2025-wrap-up

✦ WIRED | Inside Google’s Two-Year Frenzy to Catch Up With OpenAI → https://www.wired.com/story/google-openai-gemini-chatgpt-artificial-intelligence | 中文版本

✦ Josh Woodward | Google Labs is Rapidly Building AI Products from 0-to-1 you → https://www.youtube.com/watch?v=3-wVLpHGstQ | 中文版本

3. Amazon ✦ 模型矩阵迅速补齐，基建狂魔开始暴露勃勃野心

Amazon 过去两年间在大模型领域一直比较低调，研发重心更多服务于内部业务和云客户。然而，从 4 月开始，Amazon 突然在模型、产品、Agent 等多个维度同时发力，以惊人的速度和效率，仅用一个月就搭建起了基本框架。管中窥豹，Amazon 内部战略规划之成熟、执行力之强大，可见一斑。

1）Amazon Nova 模型体系：初具规模，关键组件清晰可见

赛博月刊收录：

4 月 1 日，Amazon Nova Act，浏览器 AI Agent 及开发 SDK 发布。

4 月 8 日，Amazon Nova Sonic 通用音频基础模型发布，单一框架整合理解和生成能力。

4 月 30 日，Amazon Nova Premier 多模态基础模型的旗舰版本发布。

整体梳理下 Amazon Nova 目前的模型体系：

理解模型：

Amazon Nova Micro（纯文本，低成本低延迟）

Amazon Nova Lite（多模态，低成本）

Amazon Nova Pro（多模态）

Amazon Nova Premier（多模态，旗舰模型，教师模型）

创意模型：

Amazon Nova Canvas（绘画）

Amazon Nova Reel（视频）

Amazon Nova Reel 1.1

语音转语音模型：

Amazon Nova Sonic（音频）

2）Amazon Nova 网站：开放模型体验，加速触达用户

为了让普通用户也能便捷体验 Nova 模型的能力，Amazon 专门上线了免费体验网站 Amazon Nova（如下方图片所示）。用户通过邮箱或亚马逊账户轻松注册，就可以试用包括文本对话、绘画生成、语音处理在内的多种模型功能了。

网站更新非常快！3 月 31 日上线，目前已经把基本功能追了个七七八八，而且最新的 Agent 领域也没落下，已经先后公布了 Nova Act 和 SDK（类似 OpenAI Oprater），看演示效果还行。

3）亚马逊的杀手锏：AI 与电商的终极融合

赛博月刊收录：

2024 年 11 月 19 日，Perplexity 推出 AI 购物功能，一键完成从搜索到购买的全链路。

4 月 29 日，ChatGPT 搜索功能升级购物体验，向全球用户（含免费及未登录）提供商品查找、比较与购买服务。

近期，AI 头部公司开始试水电子商务业务，纷纷上线 Shopping 功能，并引起了不小的反响。其中，比较出圈的是 Perplexity AI 和 ChatGPT。

BUT！美国电商领域的王者 Amazon 才是这个赛道拥有绝对优势的玩家：领先的电商平台、海量的真实购物数据以及成熟高效的物流配送网络。Amazon 这些核心资产，一旦与顶尖大模型实现深度整合，能构建起从智能搜索、精准个性化推荐到无缝线下履约的商业闭环。这种生态级的壁垒，是其他 AI 创业公司在短期内难以复制和逾越的。

资料链接：

✦ Amazon Nova 官方页面 → https://aws.amazon.com/ai/generative-ai/nova

✦ Amazon Nova 体验网站 → https://nova.amazon.com

4. Benchmark ✦ 有人作弊，有人逃避，短暂的苦涩胜利和持久的 Scaling 法则

最近，关于「大模型刷榜」的讨论又开始变多了。与以往对「碾压 GPT-4」「远超 Claude 3.5」陈词滥调的批评不同，这轮讨论直指技术操作层面，切实抓住了模型厂商和排行榜弄虚作假的证据。

至此，「刷榜」话题超越了宣传策略的道德范畴，演变为可能实质性扭曲榜单表现、甚至误导模型研发方向的严重问题。曾经「投机取巧」的捷径，终于被验证是一条彻头彻尾的歧途。

1）Llama 4「刷榜」风波，还有头部厂商与榜单之间的「狼狈为奸」

赛博月刊收录：

4 月 6 日，Meta 推出 Llama 4 系列模型，包含 Scout、Maverick 和仍在训练中的 Behemoth 三个版本。

Meta 上个月把脸丢到了全世界面前。Llama 4 发布时宣称在 Chatbot Arena 获得了极高排名，但随后被开源社区打假并实锤，一并击碎了行业的殷殷期待。一周时间，从「开源之光」跌进「信任危机」，把开源之王的宝座彻底拱手让了出去。

我们快速捋一下事件脉络：

4 月 6 日，Meta 推出 Llama 4 系列模型，包含 Scout、Maverick 和仍在训练中的 Behemoth 三个版本，并高调宣称 Maverick 版本在 Chatbot Arena 拿到了第二名的好成绩，仅次于 Gemini-2.5-Pro。

4 月 7 日，「一亩三分地」网络论坛上，有自称参与 Llama 4 训练的员工爆料称，模型在训练后期针对性地混入了 Benchmark 测试数据，以此来提升榜单表现。

很快，Meta 研究科学家主管 Licheng Yu 实名辟谣（如上图所示），Meta GenAI 团队负责人 Ahmad Al-Dahle 也发帖澄清，确认 Llama 4「没有在测试集上进行训练」。

4 月 8 日，开源社区开发者发现，Meta 提交给 Chatbot Arena 的模型版本与公开发布的开源版本存在显著差异。

Chatbot Arena 随后说明，先前榜单上的高分模型 Llama-4-Maverick-03-26-Experimental 是一个经过人类偏好深度优化的定制版本。算是承认了。

最终，Llama-4-Maverick 公开发布的开源版本在 Chatbot Arena 的对战成绩，从第二名滑落至二十名开外，坐实了公众的疑虑。（在 5 月 11 日更新的排行榜里已经滑落到了 41 名）

两周后，一篇名为《The Leaderboard Illusion》的论文，进一步揭发了头部模型厂商与 Chatbot Arena 之间的种种「潜规则」，直指当前评估机制的深层缺陷。

作者团队有成员就职于 Cohere 实验室，曾参与模型训练并向 Chatbot Arena 提交模型。他们在操作过程和对榜单的长时间观察中，发现了排名**纵的痕迹：OpenAI 和 xAI 的模型曾在同一天轮流占据榜首，Google和 OpenAI 也曾在几天内交错拿到第一名。这么频繁的排名更新，显然违背了常理和平台自身规则。

所以！有猫腻！作者团队开始收集数据，把少数模型厂商与 Chatbot Arena 之间的作弊方式，扒了个干干净净：

作弊方式1：Chatbot Arena 允许少数特权厂商（主要是 Meta、Google、OpenAI、Amazon 等）同时提交多个模型变体进行匿名测试，最终只选择性地公开表现最好的版本。仅仅 3 月份，Meta 公司就私测了 27 个版本，Google 私测了 10 个版本。（然后，Llama 4 和 Gemma 3 就发布了）

作弊方式2：部分商业闭源模型在 Chatbot Arena 社区对战中获得了远超开源模型的曝光与用户反馈数据（67.7%）。这种事实上的数据倾斜，为其模型迭代优化提供了不公平的优势。

作弊方式3：实验发现，针对特定榜单进行少量微调（如加入 Chatbot Arena 对战数据），能显著提升模型在该榜单的排名，但对其在其他任务上的真实泛化能力助益甚微，甚至可能造成损害。也就是说，Chatbot Arena 榜单上的高分模型不一定能力更强，也有可能是过拟合了。

2）另辟蹊径的代价：不搏竞技场排名，而是对齐人类品味，能通向更高的智能么？

赛博月刊收录：

4 月 4 日，Midjourney V7（alpha）图像生成模型，提升理解能力与图像质量。

面对 Benchmark 和排行榜的残酷内卷，部分模型及产品团队选择了一条看似更「取巧」的路径：避开硬核的量化指标竞争，转而全力优化用户感官体验，对齐当前主流的人类审美偏好。比如，近期更新的 Midjourney v7 侧重于细节清晰度和画面质感，可灵 2.0 侧重于画面美学和流畅度，Suno 4.5 侧重于音质和人声表现力。

短期内，这种策略当然是奏效的，「好看」和「好听」就是硬道理，用户喜欢就可以，何必在榜单上卷生卷死。但是，从更长远的视角来看，过度依赖人类主观品味就注定会被人类当前水平所束缚，永远做不出超越人类的模型和产品。

Midjourney v7 发布后，资深用户反馈其进步幅度不及预期。团队应该已经开始品尝 The Bitter Lesson（苦涩的教训）了。

"历史的经验一次又一次地告诫我们：

1）AI 研究者常常试图将人类的知识灌输到 AI 算法中；2）这种做法在短期内通常有效，并且能给研究人员带来个人的成就感和虚荣心；3）但从长远来看，它会造成瓶颈，甚至阻碍进一步发展；4）最终的突破性进展往往源于一种截然不同的思路，即通过搜索和学习来扩展算力规模。而那些最终的成功往往伴随着是苦涩，常常难以被下咽，因为算力的成功意味着对我们所虚荣的以人类为中心的固有思维一记响亮的打脸。