Aioga
AI资讯 / 行业动态
返回 AI资讯

GPT-6 Astra 发布后,Sebastian Raschka 解析 looped transformer 与隐藏推理链传闻

Hacker News:AI 热帖Aioga 编辑团队2026-09-09T14:37:47.000Z热度 72

OpenAI 发布 GPT-6 Astra,作者评测认为其计算机使用和图像渲染能力尤为突出,ARC-AGI-3 达 99.9%,前代 GPT-5.6 Sol 仅 7.8%。

行业动态Hacker News:AI 热帖

今日 AI 情报摘要

OpenAI 发布 GPT-6 Astra,作者评测认为其计算机使用和图像渲染能力尤为突出,ARC-AGI-3 达 99.9%,前代 GPT-5.6 Sol 仅 7.8%。

中文正文 · AI 翻译

在过去的几周里发生了很多事情。我相信现在每个人心里最关心的就是OpenAI的GPT-6 Astra。特别是,它的性能、循环变换器/递归深度的方面,以及关于Astra“隐藏”其推理轨迹(即思路链)的传言。

因此,在本文中,我想先分享一些对Astra的简要印象,以及对此的发展方向的一些想法。然后,我将详细讨论“循环变换器”是什么,以及这是否(或如何)与隐藏思路链相关。

最后,在介绍完循环变换器的基础之后,我想重点介绍一些近期相关研究论文中的新见解。

首先,最重要的是。在深入讨论架构传言和相关研究文献之前,让我简要总结一些对GPT-6 Astra的观察和小知识。

上周,OpenAI的新GPT-6 Astra以隆重的方式发布。我在过去几天里使用了它,它是一个非常出色的模型,很可能是我迄今为止使用过的最好的模型。但它到底改进了什么,又是如何改进的呢?

Astra是我迄今为止使用过的最好的模型,而且在3D渲染和动画任务上表现特别出色(相对于其他模型)。我的意思是,尽管它在几乎所有类别(写作、数学、编码等)都超越了其GPT-5.6前身,但在图形演示方面尤其如此。

我们也可以在基准测试中看到这一点。例如,如下所示,GPT-6 Astra在数学和编码方面表现非常出色。

其中一个亮点(图中未显示)是Astra在ARC-AGI-3基准测试中也达到了99.9%的成绩:https://arcprize.org/arc-agi/3(GPT-5.6 Sol仅为7.8%),该测试衡量了解决逻辑难题和泛化能力的混合表现。然而,数学、编码和计算机使用的基准测试更有趣,因为它们更接近现实世界的应用。

回到人工分析编码代理指数 v1.4:https://artificialanalysis.ai/agents/coding-agents#coding-agents-index(前图的右下角),它融合了多个代理编码任务,GPT-6 Astra 清晰地处于前沿,但并未实现大幅领先。这也可以从通用人工分析智能指数中看到:https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index,如下所示,它融合了不同类型的任务,而不仅仅是编码任务。

人工分析基准测试的一个大优势是它们是独立的,因此可能比模型开发者自我评估的基准测试更值得信赖。

测试工具的设置取决于基准:https://artificialanalysis.ai/methodology/intelligence-benchmarking。例如,GDPval-AA 和 AA-Briefcase 在它们比较的不同大型语言模型中使用其开源、最小的 Stirrup:https://github.com/ArtificialAnalysis/Stirrup 测试工具。在上面显示的智能指数 v4.2 中,Terminal-Bench v2.1 使用 Terminus 2,而 τ³-Banking 使用 τ-Bench 工具。单独的编码代理指数也比较了不同的编码代理工具。

对于使用共享测试工具的评估,这使得比较更为公平。同时,在模型训练过程中,模型通常是以一个主要测试工具为开发目标(并较少在其他工具上进行微调)。此外,主要测试工具通常是为了适应并强化模型的优势而开发的。

因此,一些代理评估可能低估了 Astra 在其主要测试工具中的表现。这对其智能指数得分的影响,需要通过在相同任务上比较 Astra 在不同测试工具中的表现来验证。

顺便提一句,正如一位同事最近建议我的(也如 Claude Code 负责人所推荐),删除(/归档)一些现有的 AGENTS.md 内容和 SKILL.md 文件可能不是坏主意,因为更新的大型语言模型在理解提示和解决当前问题方面变得更高效。额外的手把手指导可能会不必要地限制新的模型,并导致较差的解决方案。

当然,我并不是建议再也不使用 SKILL.md 文件,但对于某些工作流程来说,因为这些文件可以在重复使用时提高效率——模型不必重新发现它们。但我建议的是,有些工作流程不需要描述,而且“旧的”描述可能不再理想,LLM 可能能够提出更好的解决方案。所以,也许是时候更新或重新生成这些指令文件。

GPT-6 Astra 在图像和渲染任务中似乎特别强大。当这些任务涉及与图形用户界面交互时,它们还展示了计算机使用能力,即模型通过 Codex/ChatGPT 应用在你的本地计算机上操作软件。

与其他模型相比,计算机使用是该模型真正出众的地方,任何与图形相关的任务也都能在社交媒体平台上呈现有趣且直观的演示。有大量令人印象深刻的示例,例如在 Blender 中建模渲染纽约市:https://x.com/higgsfield_ai/status/2096495974734794840?s=20,以及虚拟开放日导览:https://x.com/Dimillian/status/2095596700815516004?s=20。

举一个例子,下面是我让 GPT-6 Astra Medium 和 High 在浏览器版本的 MS Paint 中重新绘制我的一张照片的比较:https://jspaint.app/#local:aa1757d4bc6008,使用我电脑上的鼠标(不是 Extra High 和 Max,因为我不想浪费所有的代币 :))。

这不仅突出了模型的艺术能力,更重要的是,它能够使用用户计算机上的工具(在此例中是 Paint;你可以通过鼠标光标看到模型在使用界面)。

这不是首个在特定辅助环境下能够进行通用计算机操作的模型。例如,今年早些时候,我已经成功使用 GPT 模型处理一些 UI 任务(例如 Excel 中的费用相关任务)等等。然而,计算机使用是一个相对较新的能力,由该辅助环境实现,通常感觉尚未完全成熟。这是合理的,因为 LLM 是文本模型,因此自然更容易实现的功能是写作、编码以及使用 API 和 CLI。

同时,有许多工具和软件尚未提供命令行界面(CLI),与其等待别人设计该接口,为什么不改进模型以使用图形用户界面(正如前面提到的,这也能制作漂亮和令人印象深刻的演示)?这在某种程度上类似于新兴的人形机器人发展。的确,人形机器人不是最有效率的机器人,例如在有专用机器的装配线上。但它们很通用。

所以,我预计未来几个月(或几年)也将是 LLM 和代理利用层在计算机使用方面精细化的时代。也就是说,除了现有能力以及扩展它们的数学和编程能力外,模型将在更多计算机使用场景下进行训练。这也将使 LLM 在技术领域之外的日常计算机任务中更易于使用(“嘿 ChatGPT,请帮我做税务申报”:)

计算机使用趋势也与最近报道一致:https://finance.yahoo.com/technology/ai/articles/apple-suddenly-ai-infrastructure-stock-130223938.html,称 OpenAI 购买了数万台 Mac Mini 和 Mac Studio 用于强化学习。所以,这些 Mac 并不是用来直接训练模型(训练模型最好使用 GPU),而是为了在模型训练过程中暴露 macOS,让模型学习使用该操作系统及其中的工具。

那么,在这些 Mac 上进行计算机使用训练是如何工作的呢?简而言之,这些 Mac(或更准确地说,它们的 macOS 操作系统)作为模型训练过程中可以交互的环境。

基本工作流程如下:

通过给模型一个任务来提示它,例如“打开应用 xyz 并执行 abc”。

向它提供 macOS 界面的截图(通常由代理完成)。

LLM 然后预测鼠标/键盘动作(点击、按键、滚动等)。

在 Mac 上执行这些动作(同样由代理完成)。

在执行上一步的动作后,提供更新后的环境截图。

重复步骤 2-5,直到任务成功或失败。

使用成功/失败信号和验证器(或评定器)作为训练反馈,包括后训练期间的强化学习;这类似于具有可验证奖励的常规强化学习(RLVR)。

再次说明,这里的 Mac 主要是环境,而不是在训练期间运行或更新模型的机器。模型很可能运行在 NVIDIA GPU 上,并通过 API 输入到所述 Mac。顺便提一下,NVIDIA 的 CEO 提到:https://x.com/JensenHuang/status/2096700264569090384?s=20 GPT-6 Astra 正在使用大约 100,000 块 Grace Blackwell GPU 进行训练。

前一节讨论的计算机使用训练重点,并不是训练流程的根本性范式转变。GPT-6 Astra(以及可预见未来的任何大型语言模型)仍然是一个推理模型。这意味着 LLM 使用具有可验证奖励的强化学习(RLVR)进行训练,并生成中间推理轨迹(思维链)。

但是,我将在本文稍后讨论 GPT-6 Astra 的推理模型方面(尤其是关于隐藏思维链的)。

也就是说,在正式模型发布前大约两天,新闻杂志《The Information》发表了一篇文章:https://www.theinformation.com/articles/secret-technique-behind-openais-astra-model-sparks-security-concerns 报道称,根据一些内部信息,Astra 使用了一个名为“递归深度”或“循环变换器”的概念。

由于大型语言模型架构是我的专业领域和兴趣所在,我制作了一段简短的讲解视频,解释一般的循环变换器机制并回应关于隐藏推理链的评论,视频可以在下方找到。

在接下来的子章节中,我将首先解释什么是循环变换器,并将在本文稍后回到关于隐藏思维链的评论。

(循环变换器的解释可能看起来有点长,但我真的认为它有助于建立对该技术的基础理解,这对于评估其遮蔽推理轨迹或思维链的说法很有用。)

循环变压器本质上是一种架构调整,其主要思想是将中间表示多次传递通过相同的变压器块(而不仅仅是一次)。与简单地增加更多的块相比,这里的“技巧”在于这些传递过程中权重保持不变。

在本文中,我将使用以下术语:

变压器块是包含注意力、前馈模块、归一化和捷径连接的单元。这些块在论文中通常被称为“变压器层”。

堆栈是一系列变压器块的组合。

块应用指的是将输入通过一个变压器块运行一次。

循环变压器并不新颖,其基本思想已出现在2018年的《Universal Transformers》论文中:https://arxiv.org/abs/1807.03819。但在讨论Universal Transformer之前,让我们从一个更简单的例子 Nanbeige4.2-3B:https://arxiv.org/abs/2607.22083 开始,这是一个最近发布的开源权重大型语言模型(LLM),我在Substack Notes:https://substack.com/@rasbt/note/c-302083551 和我的LLM架构画廊:https://www.sebastianraschka.com/llm-architecture-gallery/looped-depth-sharing/ 中在今年夏天早些时候进行了介绍。

下图所示的 Nanbeige 架构,本质上看起来像一个常规变压器。不过,请注意它有一个额外的(橙色)箭头回环到变压器堆栈的起点。

让我们从下而上逐步讲解。首先,和其他基于变压器的LLM一样,输入文本会被分词并转换为嵌入向量。这些向量随后通过22个变压器块,每个块都有自己的权重。

然而,这里的循环变压器特点在于,第一次传递后,隐藏状态会再次通过相同的22个块。因此,块1会再次应用,然后是块2,依此类推,直到块22。

如果我们将此计算展开,我们将得到44次变压器块的应用。然而,与具有44个不同块的传统变压器相比,第二组22次块应用会复用第一组的权重。例如,第23次块应用使用块1的权重,第24次块应用使用块2的权重,依此类推。

所以,这里的整个想法是,我们在不增加另一套 transformer 权重的情况下,将有效深度从 22 个块应用增加到 44 个块应用。

顺便说一下,为什么是 2 轮,而不是 3 轮、4 轮或更多?在 Nanbeige 的论文中没有太多细节,但他们说这本质上是最有效的设置。将循环次数从 2 增加到 3 可以提升建模性能,但额外的计算成本不值得。

那么,为什么我们一般要做这种循环?这本质上是通过增加更多 transformer 块来让模型更大的一种替代方式。

例如,一个使用 22 个 transformer 块并重复两次的模型,其参数大约只有一个使用 44 个常规块的模型的一半(以 transformer 块为单位)。

这就减少了存储权重所需的内存。顺便说一下,请注意,嵌入层和输出层通常很大,并占总量的相当一部分,它们不包括在此比较中。(以 Nanbeige 4.2 3B 为例,嵌入层和输出层占总 3B 参数的约 25%;通过这两者之间的权重共享,我们可以将其减少到 12.5%。)

当然,在循环中重复使用相同的块仍然需要计算。更准确地说,我们在前向传播中将中间输入通过 44 次块应用。在训练过程中,梯度会通过共享堆栈的两次重复向后流动。因此,与只使用 22 个块一次相比,这增加了大量工作。实际上,它的计算成本与拥有 44 个独立块的情况类似(只不过优化器需要更新的独立参数较少;反向传播仍然要经过所有 44 次块应用)。

还有 KV 缓存,它在每个下一 token 生成步骤中存储之前 token 的注意力键和值,以便在常规和循环 transformer 中重用。顺便提一下,如果有用,我在这里有一篇关于 KV 缓存的独立文章:

KV 缓存是 LLM 在生产环境中高效推理的最关键技术之一。KV 缓存是生产环境中计算高效 LLM 推理的重要组成部分。这篇文章解释了它们的概念性工作原理以及代码实现,并提供了一个从零开始、可读性强的人类实现示例。

但回到主题。即使在循环变压器中存在权重共享,进入一个块的中间状态在第二次传递时也是不同的。因此,在KV缓存中,这两个变压器堆栈之间生成的键和值也会不同(就像在非循环情况下)。所以,也没有与KV缓存相关的节省。

为了更具体地说明,例如,考虑在循环变压器设置中都使用块1的块应用1和23。但每个应用仍然需要自己的KV缓存条目。因此,由于我们必须为两次传递保持单独的缓存,重复的22块堆栈具有与具有44个不同块的常规变压器相同的KV缓存需求。

有趣的是,Nanbeige的研究人员在论文中报告说,他们尝试在传递之间共享KV缓存。当然,这将KV缓存大小减半,但模型的性能比使用单独缓存的版本更差(这是他们发布的版本)。

情报判断

Aioga 编辑摘要

来源文章称,OpenAI 发布 GPT-6 Astra 后,作者进行了数日体验,认为其整体表现突出,尤其在 3D 渲染、动画及图形演示方面相较 GPT-5.6 有明显提升。

背景分析

文章围绕 GPT-6 Astra 的性能观察、looped transformer 或 recurrent depth 架构讨论,以及其是否隐藏 chain of thought 的传闻展开,并引用 ARC-AGI-3 对比结果。

Aioga 观点

Aioga 判断:现有材料主要提供作者体验、基准数据和架构讨论线索,尚不足以确认 Astra 的具体内部架构,也不足以证明其隐藏推理链的传闻属实。

影响与后续

可能影响:相关基准成绩和图形任务表现可能提高外界对模型能力的关注,但单一文章与有限摘录不足以完成全面评估;对架构和推理链的判断需要更多公开证据。 后续观察:应继续核对 OpenAI 官方发布信息、完整评测方法、基准测试条件及有关 looped transformer 和推理链的研究资料,区分作者体验、传闻与可验证事实。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: magazine.sebastianraschka.com

来源: Hacker News:AI 热帖

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-09-09T14:37:47.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

OpenAI 发布 GPT-6 Astra,作者评测认为其计算机使用和图像渲染能力尤为突出,ARC-AGI-3 达 99.9%,前代 GPT-5.6 Sol 仅 7.8%。

Hacker News:AI 热帖2026-09-09T14:37:47.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。