世界从未停止变化。RSS
BIG CHANGE.

Markdown 版本

AI-translated from English; not yet reviewed by a fluent editor.

# Boris Power：OpenAI 的研究大多面向后续 GPT 世代

> 在 Fellows Forum 上，Boris Power 估计，OpenAI 80% 至 90% 的研究面向后续 GPT 世代。这是他的看法；目前没有公开的资源分配明细，也没有 GPT-7 或 GPT-8 路线图。

By BIG CHANGE Editorial

Published: 2026-09-27T16:28:31.971Z
Updated: 2026-09-27T16:28:31.971Z
Canonical: https://bigchange.ai/blog/boris-power-openai-research-later-gpt-generations

![Conceptual charcoal illustration of an empty chair and a floor microphone on an unbranded stage before rows of seats.](https://bigchange.ai/api/media/file/openai-forum-remarks-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

在[9 月 23 日的 Fellows Forum](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5568s)上，OpenAI 应用研究负责人 Boris Power 估计，该公司 80% 至 90% 的研究聚焦于“GPT-7、GPT-8 及更后续的世代”。他在解释 OpenAI 如何平衡当前产品工作与更强大模型的研究时给出了这一数字。这是他在公开对话中的估计；OpenAI 并未发布研究资源分配明细，供外界核对。

## 主要变化

- **发生了什么变化：**Power 描述了两条相互关联的工作线：改进人们当前使用的模型，以及面向后续世代开展研究。他估计，后者占 OpenAI 研究的大多数。
- **为何重要：**更强大的大型模型可以针对特定任务提供训练示例，帮助训练更小、成本更低的模型。即使开发者在产品中依赖较小模型，这也让他们有理由关注前沿研究。
- **接下来关注什么：**未来的模型发布和技术披露，可以显示大型模型的进展是否传递给了较小模型。这次访谈没有提供 GPT-7 或 GPT-8 的发布时间、规格或结果。

## 这一估计背后的背景

Power 在回答 Zachary Lipton 关于客户需求如何反馈到研究中的提问时表示，OpenAI 可以通过专门训练数据和应用研究改进某种具体能力，例如工具使用。据他介绍，同一模型世代内的增量更新通常会满足这类需求。他认为，新一代更大型模型可能改变哪些专项修复仍有必要。他将部分当前投入描述为帮助团队今天学得更快、改进更快的方式，即使这些投入并非长期战略。

正是这种区别，引出了他在[Fellows Forum 录像 1:32:52 处的发言](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s)。Power 所指的是**OpenAI 的研究**，而不仅是他自己团队的研究。录像和 OpenAI 已发布的材料都没有说明统计的研究具体如何定义、涵盖哪个时间段、预算或员工人数，也没有交代得出这一估计的方法。因此，应将这个数字理解为 Power 对优先事项的描述，而不是经过审计的公司支出或人员配置指标。

Power 以 GPT-7 和 GPT-8 为后续世代的例子。他没有宣布这两款模型，没有披露开发里程碑，也没有给出发布时间表。[OpenAI 当前的模型目录](https://developers.openai.com/api/docs/models)列出 GPT-6 Astra、Sol 和 Luna；它为 Power 使用的名称提供公开背景，但不能证明后续世代的研发进展。

## 他为何谈到蒸馏

在给出估计后，Power 随即描述了一个大型 GPT-6 Astra 模型教导较小 GPT Luna 模型的例子。他想说明的是，强大的大型模型可以提供训练较小模型所需的示例。他解释的是一种研究方法，并未证实某款已发布的 Luna 模型确实由 Astra 训练而成。

[OpenAI 的监督微调指南](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model)介绍了这一机制：开发者先检验较大型模型在某项明确任务上的表现，保留合适的输出，将其用作训练较小模型的示例，再评估小模型在该任务上的表现。OpenAI 表示，这样可以让较小模型在**特定任务上的表现**接近较大模型。这并不意味着较小模型会继承教师模型的所有能力。OpenAI 的[模型蒸馏公告](https://openai.com/index/api-model-distillation/)同样将评估、保存的输出和微调描述为一个迭代过程。

这一想法有更长的历史。在一篇[2015 年的研究论文](https://arxiv.org/abs/1503.02531)中，Geoffrey Hinton、Oriol Vinyals 和 Jeff Dean 研究了如何将知识从较大型系统迁移到更易部署的模型中。这项工作解释了教师模型与学生模型的概念，但没有涉及 OpenAI 当前的研究资源分配。

这说明了 Power 所描绘的前沿研究与实用模型之间的联系：能力更强的教师模型可以为专用、低成本系统生成有用的训练材料。效果如何取决于任务、所选示例和评估方式。Power 没有为 Astra–Luna 这一例子提供蒸馏结果或对比测量。

Power 的估计之所以值得关注，是因为它表明了他认为 OpenAI 最大的研究价值所在。公开证据能够确认他确实发表了这番言论，也能说明他提到的一般技术。但这些证据无法证明 OpenAI 实际如何分配资源，也无法预知未来 GPT 世代会带来什么。

## Sources

- [Fellows Forum 2026，第一天：《模型与现实相遇》](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s) — 主办方的完整录像显示，Power 于 1:32:52 给出了 80% 至 90% 的研究估计，随后立即解释了大型教师模型与小型学生模型。Lipton 的提问以及 Power 对增量改进和世代更迭工作的讨论，提供了相关背景。录像能证明他说了什么，但不是经过审计的资源分配数据，也不是产品路线图。
- [Fellows Forum 2026 活动及议程](https://www.fellowsforum.com/) — 主办方将第一天的日期列为 9 月 23 日，并注明本场活动由 OpenAI 应用研究负责人 Boris Power 与 Zachary Lipton 对谈，主题为《模型与现实相遇》。这确认了论坛背景和发言者，但不能佐证 Power 给出的数字估计。
- [OpenAI API：《监督微调：从更大的模型进行蒸馏》](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) — OpenAI 介绍了如何保存表现出色的大模型回答、用它们微调小模型，并针对特定任务检查效果。这说明了相关技术，但不能证明内部 GPT-6 模型的传承关系，也不保证一般能力会迁移。
- [OpenAI：《API 中的模型蒸馏》](https://openai.com/index/api-model-distillation/) — OpenAI 面向开发者的公告将保存模型输出、任务评估和微调说明为一种迭代式蒸馏流程。它介绍的是向公众提供的开发者服务，并非 OpenAI 内部的研究资源分配。
- [OpenAI API：《模型》](https://developers.openai.com/api/docs/models) — 当前目录列出 GPT-6 Astra、Sol 和 Luna。它支持对公开模型名称背景的说明，但不能证明 GPT-7 或 GPT-8 是否可用、何时推出或具体规格。
- [Hinton、Vinyals 和 Dean：《蒸馏神经网络中的知识》](https://arxiv.org/abs/1503.02531) — 这篇原始研究论文为将知识迁移到更易部署的小型模型提供了历史背景。它不能核实 Power 关于 OpenAI 当前研究资源分配的说法，也不能证明 OpenAI GPT-6 模型的训练历史。