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

# Boris Power 稱，OpenAI 研究多數著眼於後續 GPT 世代

> 在 Fellows Forum 上，Boris Power 估計，OpenAI 有 80% 至 90% 的研究著眼於後續 GPT 世代。這是他的看法；OpenAI 並未公布研究資源分配明細或 GPT-7／GPT-8 開發藍圖。

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 應用研究主管 Boris Power 估計，公司有 80% 至 90% 的研究聚焦於「GPT-7、GPT-8 及後續世代」。他在說明 OpenAI 如何兼顧現有產品與更強大模型的研究時提出這個比例。這是他在公開座談中的估計；OpenAI 並未公布研究資源分配明細供外界核對。

## 核心變化

- **有哪些改變：**Power 描述了兩條相互關聯的工作路線：改進人們目前使用的模型，以及針對後續世代進行研究。他估計，後者占 OpenAI 研究工作的大多數。
- **為何重要：**能力更強的大型模型可以針對明確任務，提供訓練範例給較小、成本較低的模型。即使產品採用小型模型，這仍讓開發者有理由關注前沿研究。
- **後續觀察重點：**未來模型發布及技術資料，可顯示大型模型的進展是否延伸到小型模型。這場訪談沒有提供 GPT-7 或 GPT-8 的發布日期、規格或成果。

## 這項估計的背景

Power 回答 Zachary Lipton 有關客戶需求如何回饋至研究工作的提問時表示，OpenAI 可以運用專門訓練資料與應用研究，改進特定行為，例如工具使用。依他的說法，同一模型世代內的漸進式更新，往往能回應這類需求。他認為，新一代大型模型則可能改變哪些專門調整仍有必要。他將部分現階段投資描述為加快當下學習與改進的方法，即使這些投資並非長期策略。

這番區分引出了他在[Fellows Forum 錄影 1:32:52 處](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s)提出的 80% 至 90% 估計。Power 談的是**OpenAI 整體的研究**，而非只有他所屬團隊的研究。錄影和 OpenAI 公開資料都沒有界定所計算的研究範圍，也沒有說明統計期間、預算、人數或估算方法。因此，這個數字應視為 Power 對研究優先順序的描述，而非經稽核的公司支出或人力衡量結果。

Power 以 GPT-7 和 GPT-8 為後續世代的例子。他沒有宣布任何一款模型，也沒有揭露開發里程碑或發布時程。[OpenAI 目前的模型目錄](https://developers.openai.com/api/docs/models)列出 GPT-6 Astra、Sol 和 Luna，可提供 Power 所提模型名稱的公開背景，但不能證明後續世代的開發進度。

## 他為何提到蒸餾

緊接著這項估計，Power 描述 GPT-6 Astra 大型模型教導較小的 GPT Luna 模型。他的重點是，能力強的大型模型可以提供範例，作為訓練小型模型的素材。他是在說明一種研究方法，並非證明某款已發布的 Luna 模型曾以 Astra 訓練。

[OpenAI 的監督式微調指南](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model)說明了這項做法。開發者先確認大型模型在明確界定的任務上表現良好，再保留合適的輸出，作為訓練小型模型的範例，並評估小型模型在該任務上的表現。OpenAI 表示，這可以讓小型模型在**特定任務**上的表現更接近大型模型，但不代表小型模型會繼承教師模型的所有能力。OpenAI 的[模型蒸餾公告](https://openai.com/index/api-model-distillation/)也將評估、保存輸出與微調描述為反覆迭代的流程。

這個概念有更早的研究脈絡。在一篇[2015 年的研究論文](https://arxiv.org/abs/1503.02531)中，Geoffrey Hinton、Oriol Vinyals 與 Jeff Dean 探討如何將大型系統的知識轉移至較容易部署的模型。該研究說明了教師—學生模型的概念，並未談及 OpenAI 現今如何分配研究資源。

這說明了 Power 為何將前沿研究與實用模型連結起來：能力更強的教師模型可以為專用、低成本系統產生有用的訓練素材。成效取決於任務、範例的選擇及評估方式。Power 沒有提供 Astra 與 Luna 範例的蒸餾結果或比較數據。

Power 的估計揭示了他對 OpenAI 研究價值主要所在的看法。公開證據能確認他確實提出該說法，也能說明他提到的一般技術；但無法證明 OpenAI 實際如何分配資源，或未來 GPT 世代將帶來什麼成果。

## Sources

- [Fellows Forum 2026 第一天：模型如何面對現實](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s) — 主辦方的完整錄影將 Power 對研究比例的 80% 至 90% 估計定位在 1:32:52，並緊接著呈現他對大型教師模型與小型學生模型的說明。Lipton 的提問，以及 Power 對漸進式更新與世代更迭研究的討論，提供了這段發言的背景。錄影能證明他說了什麼，但不是經稽核的資源分配資料或產品藍圖。
- [Fellows Forum 2026 活動資訊與議程](https://www.fellowsforum.com/) — 主辦單位將第一天日期列為 9 月 23 日，並列出 OpenAI 應用研究主管 Boris Power 與 Zachary Lipton 共同參與「Where Models Meet Reality」場次。這可確認論壇背景與講者，但不能佐證 Power 提出的數字。
- [OpenAI API：監督式微調，從大型模型蒸餾](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) — OpenAI 說明如何保存大型模型成功的回應，用來微調小型模型，再檢查其在特定任務上的表現。這說明的是蒸餾技術，不是 OpenAI 內部 GPT-6 模型的師承關係，也不保證一般能力會隨之轉移。
- [OpenAI：API 中的模型蒸餾](https://openai.com/index/api-model-distillation/) — OpenAI 面向開發者的公告，說明以保存模型輸出、評估任務表現及微調構成反覆迭代的蒸餾流程。這是公開提供給開發者的功能說明，並非 OpenAI 內部研究資源分配資料。
- [OpenAI API：模型](https://developers.openai.com/api/docs/models) — 目前的目錄列出 GPT-6 Astra、Sol 與 Luna，可作為公開模型名稱的背景；它無法證明 GPT-7 或 GPT-8 是否推出、何時推出或具備哪些規格。
- [Hinton、Vinyals 與 Dean：《從神經網路中蒸餾知識》](https://arxiv.org/abs/1503.02531) — 這篇原始研究論文提供將知識轉移至較小、易於部署模型的歷史背景。它無法驗證 Power 對 OpenAI 現今研究資源分配的說法，也無法證明 GPT-6 模型的訓練歷程。