新智元报道 GPT-6还没玩明白，GPT-7就已经在路上了？ 近日，OpenAI应用研究负责人Boris Power透露，OpenAI已把目光投向下一代模型： 公司大约80%到90%的研究，已经聚焦GPT-7、GPT-8，以及更新代际的模型。 但眼前的GPT-6，OpenAI仍然没少下功夫。 就在本月，OpenAI先推出主打能力上限的GPT-6 Astra，又在9月22日推出更快、更实惠的Sol和Luna。 这边已经将绝大部分研究精力投向GPT-7、GPT-8等下一代模型，那边还在不断给GPT-6家族添油，这就引出了两个问题： 既然OpenAI把研究重心押在下一代，为什么还要不断优化现有模型？ 既然要把大模型越练越强，为什么同时还要做更小、更便宜的版本？ 优化现有模型 为何被称为「极度短视」？ 用Power的话说，部分针对现有模型的优化投入，在OpenAI内部甚至被视为「极度短视」。 这些工作能帮助团队今天更快迭代、更快学习，但长期的押注，仍然放在下一代模型上。 这就要分清两件事：今天值得做的优化，它的适用期是多久？ 比如，模型现在调用工具容易报错，团队就收集数据、调整训练，把这个窟窿补上。 每修好一个问题，产品就更好用一点，团队也多积累一份经验——这在Power看来是必要的，但他也提醒，里面有一个坑： 当下一代模型一来，今天费劲补的短板，可能就不再是问题了。 新一代模型会让许多事情变得更容易。因此，团队也得重新判断：接下来，哪些问题最值得花精力解决？ 也就是说，模型进化得越快，有些方案的价值就越需要重新掂量。 但明天可能过时，不代表今天不值得做。用户现在就要用产品，眼前的短板，该补还得补。 OpenAI在Astra的官方介绍里也提到，团队仍在针对实际工作训练模型，并改进Codex，让AI干活更快、更顺畅。 对普通用户来说，这也意味着今天为了让AI干活，你得反复改提示词、拆步骤、盯过程，但这些麻烦未必会一直存在。 模型升级了，旧的问题可能迎刃而解，新的用法也需要重新摸索。 真等GPT-7、GPT-8下一代模型来了，我们不妨再去试试：过去得手把手让前代模型们干的活儿，现在能不能只交代目标，它就能自己往前干？ 先做强大模型 再蒸馏出小模型 既然要把大模型做得更强，为什么还要费力做小模型？ 在Power的逻辑里，这两件事恰好连在一起。 先练出一个能力很强的通用模型，再让它当老师，教会更小、更专的模型。 他以Astra和Luna为例，勾画出了这条「先做强、再蒸馏」的路线。 这也能解释OpenAI为什么会将八九成的研究押向GPT-7、GPT-8等未来更强的模型。 它们既能自己下场解难题，也能成为下一批小模型的老师，让部分能力进入更便宜的产品。 从技术上说，一种常见的模型蒸馏方法是：先让强模型生成示范，筛选出高质量输出，再用这些数据训练更轻量的小模型。 而这套方法，OpenAI自己已经驾轻就熟。 2025年3月，OpenAI发布新一代音频模型时，就明确披露： 团队通过蒸馏，把自家大型音频模型的知识传递给更小、更高效的模型，并用模拟真实对话的数据，改善小模型的对话质量和响应表现。 官方还给过一个更直观的教学示例：让GPT-4o当老师，训练GPT-4o mini根据葡萄酒信息判断葡萄品种。 在该示例的300条验证数据上，GPT-4o mini的准确率从64.67%提高到79.33%，接近GPT-4o的79.67%。 葡萄品种判断任务中，GPT-4o mini蒸馏后准确率升至79.33%。 这是特定任务上的结果，并不意味着小模型全面追平了大模型。 不过，学生本来也不必学会老师的全部本事： 只要在特定任务上达到需要的水平，又把成本降下来，这笔账就可能划算。 回到GPT-6家族，类似的能力迁移与成本分工仍在继续。 9月22日，OpenAI推出GPT-6 Sol和Luna，强调更快、更实惠。 官方称，它们采用与Astra相似的方法训练，把相关能力进步带向成本更低的模型。 虽然具体训练配方并未完整公开，也不能直接把Luna说成一个「缩小版Astra」，但方向已经很清楚： 大模型抬高能力上限，小模型降低使用门槛。 对普通用户来说，这意味着哪怕你日常选的是便宜模型，也可能间接受益于更强大模型的研究成果。 大模型和小模型 怎么分工才划算？ 不是所有任务，都必须用最顶级的模型。 一份工作里，有些环节需要深度判断，有些只是把已经明确的要求执行到位。让大小模型各接一部分活，才有机会把钱花在刀刃上。 来看一个准备项目汇报的例子。 几份材料说法不一，数据口径互相打架，核心结论也没想清楚。 这时，可以先让更强的模型梳理逻辑、找出矛盾，指出还缺哪些证据，再搭起报告框架。 等关键事实核实了、方向确定了，后面的工作就可以尝试交给小模型。 遇到材料无法解释的新问题，或者需要重新