近期，人工智能领域的发展引发了广泛关注。GPT-5.5的发布和Claude Mythos的亮相，让网络安全、智能代理编程等领域的从业者明显感受到技术能力的跃升。人们不禁要问：AI的进步是真实加速，还是仅因关注度提升而产生的感知变化？针对这一问题，OpenAI后训练团队联合负责人Yann Dubois在MAD Podcast中分享了他的见解。
Yann指出，AI工具的实用性突破源于模型可靠性的提升。以OpenAI为例，去年12月模型可靠性达到关键阈值，能够稳定承担日常工作任务，这种变化在持续编码的开发者群体中尤为明显。他强调，模型能力的提升并非突变，而是持续积累的结果，但当可靠性达到临界点时，用户会产生"突然进步"的体验。模型能力的提升会形成正向循环——更强大的模型能加速下一代模型的研发，同时推理模型的应用场景正从竞赛级任务向真实世界问题迁移。
在GPT-5.5的研发过程中，跨部门协作和效率优化成为关键。Yann透露，该模型的开发是全公司共同努力的成果，团队在提升模型效率方面取得显著突破，多数任务的处理速度提升至前代的两倍。这种提升不仅体现在推理延迟的缩短，更源于模型在思考过程中对计算资源的更高效利用。他特别提到，模型能力的整合需要平衡垂直领域的深度与整体表现的稳定性，避免出现某些场景表现突出而其他场景表现薄弱的情况。
关于模型训练的三个阶段，Yann详细解释了预训练、中训练和后训练的分工。预训练通过扩大模型规模提升基础能力，中训练则聚焦于高质量数据的强化学习，后训练负责将模型能力转化为实际用户价值。他指出，多模态数据和合成数据是当前数据策略的重要方向，尽管多模态对推理能力的提升尚未得到完全验证，但在具身智能领域，与现实世界的交互仍是提升模型常识理解的关键。
在强化学习方面，Yann承认该技术曾面临稳定性挑战，但随着模型规模的扩大和基础设施的完善，其应用效果显著提升。他观察到，强化学习不仅优化了预训练中已有的能力，更释放出许多未被充分表现的新能力，如更强的推理、自我检查和延长思考时间等。对于训练方法的选择，他认为简单可扩展的方案更具优势，例如GRPO等朴素方法在开源社区表现出色。
针对模型泛化问题，Yann区分了算法泛化和能力泛化两种类型。他指出，虽然训练方法可以跨领域应用，但模型能力的迁移需要底层能力的支持。例如，数学竞赛能力可以迁移到编程领域，但难以直接应用于需要信息筛选和目标明确的真实工作场景。他特别提到，幻觉问题部分源于监督微调过程中对不确定信息的过度奖励，而强化学习通过采样评估机制能有效缓解这一问题。
在评测体系方面，Yann认为开放任务的评估难度正在增加。随着模型能力超越多数人类评估者，以及开放任务缺乏唯一正确答案的特性，构建有效的评测指标变得愈发困难。他看好"AI评AI"的发展方向，认为更强大的模型可以同时担任训练者和评估者的角色，形成能力提升的飞轮效应。对于垂直领域的应用开发，他鼓励创业者聚焦具体场景，解决权限管理、系统连接等"最后一公里"问题，这些领域存在巨大的价值创造空间。
