GPT-6还没玩明白，OpenAI高管：八九成研究已押向GPT-7、GPT-8！
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。
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：
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」。
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：
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？
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。
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？
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。
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%。
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：
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。
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。
但如果每次都得自己试模型、拆任务、判断何时切换，出了错还要返工，那么省下的模型费用，很可能又变成了额外花掉的时间。
合理的分工，是让小模型以更低的成本，把要求明确的日常工作做好；让大模型在关键时刻，接手那些需要更强判断力、值得多花成本的难题。
这笔账，最终要看完成整项工作的总成本：既包括模型费用，也包括人花在解释、检查和收尾上的时间。
比如，用GPT-4时，用户需要精心设计提示词；到了GPT-5，虽然更容易上手，仍然得不断反馈纠偏；GPT-6则已经更像一个能接下目标、往前干活的同事。
这还只是Power的判断，不能看成所有任务都可以彻底放手，但OpenAI的官方已经提到一些具体的变化。
在Codex中，Astra可以向用户提问，同时继续处理不依赖回答的工作；遇到重要决定，则等待用户输入。
背后考验的，是 AI 自主推进任务、持续扛活儿的能力：要记得住目标，能把工作往前推，也知道哪些决定必须请人拍板。
未来的GPT-7、GPT-8，能把这种协作能力推进到什么程度，还要看后续产品的表现。
这既需要大模型不断攻克难题、抬高能力上限，也需要小模型把更多能力带进日常，让人用得起，也愿意天天用。
https://the-decoder.com/openai-says-80-to-90-percent-of-its-research-already-targets-gpt-7-and-beyond/