OpenAI第9天技术直播宣布：o1模型API正式发布，成本暴降60%

在今天的正式版本发布中，o1模型API集成了一系列创新功能，这些功能包括函数调用、结构化输出、开发者消息和推理工作量管理。

函数调用功能使得模型能够根据输入自动触发后端服务或外部API的调用，从而处理更为复杂的任务。结构化输出则确保了数据以JSON格式返回，保持了输出结果的预期结构，便于后续的解析和应用。

开发者消息作为一种新的系统消息类型，赋予开发者更多的控制能力，以指导模型的行为。推理工作量参数则允许调整模型的思考时长，以此来平衡性能和准确性。

在演示环节，OpenAI展示了一个利用o1模型高级视觉功能的案例，即错误表单检测。通过上传含有错误的文本表格图片，o1模型不仅识别出了计算错误，还提供了具体的修正建议。

对于需要精确执行的任务，o1模型能够利用内置的函数库与后台服务器进行通信，获取最新的税率等关键信息，确保结果的准确性和最新性。

与传统的监督式微调方法不同，偏好微调通过成对样本比较学习，帮助模型识别并适应特定应用场景中的微妙差别。在进行偏好微调时，开发者需要准备一组包含两个版本回答的样本，其中一个版本被标记为更优。

这些样本会被输入模型进行训练，使模型学会识别优秀与普通答案之间的细微差别，并根据用户的反馈持续优化其行为准则。

偏好微调特别适合那些对回答格式、语气或抽象特质（如友好度、创造力）有特定要求的场景。例如，在开发金融咨询聊天机器人时，除了希望模型提供专业准确的财务建议外，还希望其沟通风格友好且易于理解。

通过展示多种对话示例，利用偏好微调方法可以帮助模型找到最佳的表达方式。这种方法在涉及主观评价的任务上，如客户服务或个性化推荐系统，能够显著提升模型的表现。

此外，偏好微调不仅适用于文本生成任务，还适用于图像生成、代码补全等其他类型的输出任务。通过学习大量样本，模型可以形成一套稳定的行为模式，更好地满足用户需求。更重要的是，偏好微调支持持续迭代和改进，随着高质量数据的不断积累，模型的表现也将不断提升。