OpenAI 刚刚发布了一份研究报告，主题是关于人工智能在竞技编程领域的进展。他们展示了自家的大模型是如何一步步从“编程小白”成长为可以和顶尖程序员 PK 的“高手”
竞技编程，可能有些朋友不太熟悉，简单来说就是比拼编程能力和算法技巧的比赛，像 ACM、ICPC、Codeforces 这些平台就聚集了很多编程高手
报告里提到，最初的模型表现平平，在编程方面显得比较吃力。但关键的转折点是 大型推理模型 的出现，特别是结合了 强化学习 (Reinforcement Learning) 进行训练之后，o1到o3模型变强的“心路历程”，但是方法依然是个迷，问就是四个字：强化学习
故事的开端：强化学习赋能 “推理” 大脑
OpenAI 这次报告的核心，其实还是他们一直强调的 强化学习 (Reinforcement Learning, RL) 。报告一开始就明确指出，RL 是提升大型语言模型 (LLMs) 在复杂编程和推理任务上性能的 关键驱动力
为了验证 RL 的效果，OpenAI 首先推出了 通用推理模型 OpenAI o1。这个模型在训练时，特别注重提升 链式思考 (chain-of-thought reasoning) 能力。简单来说，就是让 AI 学会像人类一样，一步一步地分析问题、拆解难题，最终找到解决方案
图：OpenAI 推理模型 o1-preview, o1 与 gpt-4o 在 Codeforces 上的性能对比图
数据说话，效果惊人！ 在模拟的 Codeforces 竞赛环境中，o1 模型的表现相比之前的模型 大幅提升。 它的 Elo 评分从 1258 分 (62nd percentile) 直接跃升到 1673 分 (89th percentile)！
挑战 IOI：特训模型 + 人工策略 “双剑合璧”
OpenAI 的目标远不止于此。为了挑战更具含金量的 国际信息学奥林匹克竞赛 (IOI)，他们对 o1 模型进行了 专项强化训练，并打造了 o1-ioi 模型。同时，为了确保在 IOI 这种高强度竞赛中取得好成绩，研究团队还 “祭出” 了 手工打造的测试时策略 (hand-crafted test-time strategies)
这些策略，可以理解为人类专家为 AI 模型 “量身定制” 的一套竞赛技巧 “组合拳”，包括：
-
• 子任务分解 (Subtask Decomposition): 将 IOI 复杂问题拆解成更小的、更易于解决的子任务。IOI 竞赛评分也是基于子任务的，这个策略非常契合竞赛特点
-
• 大规模采样 (Large-Scale Sampling): 针对每个子任务，模型生成 10,000 个候选解决方案，通过 “广撒网” 的方式，提高找到正确答案的概率
-
• 聚类与重排序 (Clustering and Reranking): 对生成的候选方案进行聚类，然后根据预设的评分标准进行重排序，选出最优的方案进行提交
-
• 模型生成测试用例与验证 (Model-Generated Test Inputs & Validators): 利用模型自身生成测试用例和验证器，用于评估和筛选候选方案的正确性。
图：进一步训练 OpenAI o1 模型并加入测试时策略后，模型性能的提升
“人机协作” 威力显现！ 在 手工策略 的加持下，o1-ioi 模型在 IOI 竞赛中获得了 49% 的排名，得分 213 分。更令人振奋的是，当 OpenAI 放宽提交次数限制 (从官方的每题 50 次放宽到 10,000 次) 后，o1-ioi 模型竟然 一举夺得金牌！得分高达 362.14 分
报告中还提到，这些 手工策略 非常有效，为 o1-ioi 的 IOI 成绩 提升了约 60 分，在 Codeforces 上的 percentile 排名也 提升了 5% (从 93% 提升到 98%， Elo 评分达到 2214 分)。
纯粹 RL 的力量：o3 模型 “无招胜有招” 的自主进化
虽然 o1-ioi 模型取得了亮眼的成绩，但 OpenAI 并没有满足于 “人机结合” 的模式。他们更进一步，推出了 新一代模型 o3。这次，他们想要探索 纯粹强化学习 的极限—— 完全不依赖任何人工策略，只通过 RL 训练，AI 能否在竞技编程领域达到顶峰？
o3 模型在 Codeforces 上的 Elo 评分更是达到了 2724 分 (99.8th percentile)， 全球排名 Top 0.2%， 接近 全球 Top 175 名 的水平！
图：OpenAI o3 模型在 Codeforces 上的性能表现
o3 模型在没有任何人工策略辅助的情况下，竟然在官方 IOI 竞赛的严格约束下，也成功斩获金牌！ 🏆 得分高达 395.64 分，进一步超越金牌线
OpenAI o3 在 2024 年国际信息学奥林匹克竞赛（IOI）中获得 395.64分（满分 600 分），获得金牌，世界排名第 18 位。该模型没有受到这些数据的污染，并且使用了 50 次提交限制。这也印证了奥特曼的说法今年我们很可能会看到超人的编码模型
“自主进化” 的解题策略：暴力验证，殊途同归
更深入地分析 o3 模型的 解题过程 (chain of thought)，研究人员发现，o3 模型竟然 自主领悟 并发展出了一套 测试时策略！其中一个策略，与人类程序员的常用技巧 不谋而合：
-
1. 先编写一个简单粗暴的 “暴力解法” (brute-force solution)，确保程序的基本功能正确
-
2. 再利用这个 “暴力解法”，去验证更复杂、更优化的算法，确保优化后的算法在逻辑上也是正确的
图6：o3 模型自主测试解决方案的流程示意
这种先 “保底” 再 “优化” 的思路，是不是和我们人类程序员在竞赛中常用的策略 如出一辙？AI 不仅学会了编程，还学会了 人类的思考方式， 这才是 o3 模型最令人震撼的地方！
不止于竞赛：RL 提升 AI 的 “通用” 编程能力
竞技编程的成功，只是 OpenAI 这次研究的一个侧面。他们还评估了这些模型在 软件工程 (Software Engineering, SWE) 任务中的表现，使用了 HackerRank Astra 和 SWE-bench Verified 两个行业benchmark 数据集
结果显示，经过强化学习训练的模型，在软件工程任务上的 Pass@1 (首次尝试成功率) 和 Avg Score (平均得分) 都得到了显著提升
o3 模型在 SWE-bench Verified 数据集上，相比 o1 模型，Pass@1 提升了 22.8%！ 这表明，强化学习不仅能提升 AI 的竞赛编程能力，也能有效提升其在更广泛的软件开发领域的应用能力
报告中关键数据回顾:
Codeforces Elo 评分: o1-preview: 1258 (62nd percentile), o1: 1673 (89th percentile), o1-ioi: 2214 (98th percentile), o3: 2724 (99.8th percentile, Top 0.2%, 全球 Top 175 左右)
IOI 竞赛得分: o1-ioi (官方约束): 213 分 (49th percentile), o1-ioi (放宽约束): 362.14 分 (金牌), o3 (官方约束): 395.64 分 (金牌). 手工策略为 o1-ioi IOI 提升 60 分, Codeforces percentile 提升 5%
-
• SWE-bench 性能提升: o3 相比 o1, Pass@1 提升 22.8%. HackerRank Astra 数据也显示类似提升
Codeforces 模拟竞赛评估方法 (Appendix B):
-
• 使用 Division 1 级别 竞赛题目 (2023 年底至 2024 年后)。
-
• 采用 完整测试集 (full test suite)， 模拟官方 Codeforces 评分环境。
-
• 严格遵守 时间/内存限制
-
• 进行 污染检查 (contamination check)，确保测试题目未在模型训练数据中出现
-
• 使用 Elo 评分系统 评估模型在 Codeforces 上的等级和 percentile 排名。
IOI 代码示例 (Appendix C):
写在最后：
这份报告就是在讲强化学习的威力，只不过OpenAI只告诉了结果，现在大家都知道了，因为DeepSeek R1已经证明了同样的事情，但是DeepSeek附送了详细的技术报告，告诉了强化学习实施的方法和过程
参考：
https://arxiv.org/pdf/2502.06807
⭐
（文：AI寒武纪）