OpenAI，2024-09-12。o1-preview 与 o1-mini。用强化学习训练隐式长思考。ChatGPT Plus/Team 与部分 API。
当时公告：Introducing OpenAI o1-preview。研究说明：Learning to reason with LLMs。
1 - OpenAI o1（材料）
按 2024-09-12 公告转述：推理模型、考试数字、预览限额。
本页转述 2024-09-12 发布当时公开说了什么，不把 12 月的正式 o1、2025 的 o3 回填进当天数字。
主要出处：OpenAI，2024-09-12，Introducing OpenAI o1-preview；Learning to reason with LLMs。本页不复制公告全文。
产品主张
新系列模型被设计成先多想再答。科学、编码、数学上比先前模型更能处理难题。当天放出系列的第一只预览：o1-preview，以及更小的 o1-mini。ChatGPT Plus 与 Team 可在模型选择器里手动选用；预览周限额最初约 30 条（o1-preview）与 50 条（o1-mini），数日后上调。可信 API 用户同期可调用。用户看不到完整内部思维链，产品展示的是摘要后的「思考」。
评测（文中报告）
研究博文用完整 o1（当时尚未全部产品化）对照 GPT-4o，并给出 o1-preview 的中间数字。强调的方向：
- AIME 2024： GPT-4o 约 13%，推理模型（完整 o1、高测试时计算）约 83%（cons@64）。
- Codeforces： 完整 o1 约第 89 百分位；o1-preview 低于完整 o1、仍明显高于 4o。
- GPQA Diamond： 完整 o1 超过人类博士准确率的叙事写在博文里（物理/化学/生物题）。
安全：在其最难的越狱测试上，o1-preview 分数远高于 GPT-4o（博文给出 84 vs 22，0–100 分）。思维链用于训练与对齐，不作为完整原文交给用户。
当时不是什么
这是新的模型系列与 ChatGPT 里的一个选项。内部思考不是 ReAct 那样写给宿主解析的 Thought 字段。没有新的工具协议，也没有宣称已经是自主 Agent。高延迟、高单价、限额，是发布时就写明的约束。
2 - o1 讲解
推理从明文 Thought 内化到测试时计算。循环可以更短；工具与停机仍在宿主。模型不是 Agent。
当时解决了什么问题
2022 年以来，复杂题靠 CoT、Self-Consistency、ReAct 把「想」写在明文里。宿主能看见 Thought，也能被 Thought 带沟里。o1 用强化学习在测试时花更多计算，把长思考藏进模型内部。数学与竞赛编程的跳变说明：同样的决策核心，想得久可以换正确率，而不只靠换提示词模板。延迟和费用是这笔账；限额是发布时就写明的约束。
对 Agent 搭建者，这意味着规划、自我检查不必每一步都在轨迹里写一篇小作文。代价是：每一步更贵、更慢、更难调试——用户看不到完整思路。内部思维链用于训练与对齐，不是写给宿主解析的 Thought 字段。
对后续 LLM 与 Agent 的影响
2025 年的 o3、Claude 3.7「混合推理」、各家思考模型，都沿着「测试时计算」走。编码 Agent 开始把「难步」路由到推理核心，简单步走快模型。SWE-bench Verified 上 o1-preview 后来被报到约 41%，12 月 o1 约 49%——仍是模型分，脚手架另计。
按 AI Agent 定义，o1 本身不是 Agent。它没有规定对环境行动。它是循环里一颗会花时间想的决策核心。把内部 CoT 当成已经实现 ReAct，会漏掉执行层：停机、工具、沙箱仍在宿主。换决策核心，不换品类。