元旦献礼谁才是o1的最佳平替

大家好，我是木易，一个持续关注AI领域的互联网技术产品经理，国内Top2本科，美国Top10 CS研究生，MBA。我坚信AI是普通人变强的“ 外挂 ”，所以创建了“AI信息Gap”这个公众号，专注于分享AI全维度知识，包括但不限于 AI科普 ， AI工具测评 ， AI效率提升 ， AI行业洞察 。关注我，AI之路不迷路，2025我们继续出发。

他来了，他来了，他带着新推理模型走来了。

自从去年9月12日（没错，已经是去年了，各位小伙伴新年快乐！！！）OpenAI官宣了推理模型 o1 后，国内各个AI厂商纷纷摩拳擦掌，陆续推出了自家的推理模型，颇有2023年卷大模型那会的架势。

这一次，是 智谱 。

智谱于2024年的最后一天，官宣了新推理模型 GLM-Zero 系列，本次发布的是预览版本： GLM-Zero-Preview 。

技术方面，当前几乎所有的推理模型都是基于 强化学习 训练来增强模型的推理能力的， GLM-Zero-Preview 也不例外。以内置思维链的形式，采用多步推理机制，推理模型（这里泛指当前大多数推理模型）能够自主对复杂问题进行拆解、验证和纠错，通过一系列中间步骤逐步推导结果。这样得到的答案自然比通用模型脱口而出的答案质量更高，但随之而来的，是算力消耗的加剧。

性能表现方面，从智谱官方给出的基准测试对比结果来看， GLM-Zero-Preview 基本能和 o1-preview 打得有来有回，准确的说，在多个基准测试中超过了 o1-preview ，仅在超高难度的 GPQA Diamond 博士级科学问答基准测试中，以59.1% vs. 73.3%的成绩败给了 o1-preview 。

但模型这东西，基准测试只是一方面，好不好用，手底下才能见真章。

今天就来横向来一波对比测试，看看这些声称对标OpenAI o1 的推理模型，到底哪个可以作为 o1 的平替。参赛选手包括（排名不分先后）：

o1 ： OpenAI直播发布第1天：满血版o1，200美元/月的ChatGPT Pro新套餐！

DeepSeek-R1-Lite ： 国内首个对标o1的推理模型发布：DeepSeek-R1-Lite初体验！

k0-math ： Kimi数学模型正式上线，这是新鲜出炉的测评结果！

QwQ-32B-preview ： 阿里Qwen团队发布首个开源推理模型QwQ-32B-preview！

GLM-Zero-Preview ：本篇文章的“猪脚”。

1. 帽子颜色问题

有 10 个人站成一列纵队，从 10 顶黄帽子和 9 顶蓝帽子中，取出 10 顶分别给每个人戴上。每个人都看不见自己头上的帽子颜色，却只能看见站在前面那些人的帽子颜色。站在最后的第十个人说：“我虽然看见了你们每个人头上的帽子，但仍然不知道自己头上帽子的颜色。”依次类推，直到第二个人也说不知道自己头上帽子的颜色。出乎意料的是，第一个人却说：“我知道自己头上帽子的颜色了。”请问：第一个人头上戴的是什么颜色的帽子？他为什么知道呢？

正确答案

第一个人头上戴的是黄帽子。

各模型表现总结

模型

⏱️ 推理时长

准确性

📝 备注

o1

13秒

✅

答案完全正确，推理清晰、简洁

DeepSeek-R1-Lite

40秒

✅

虽然中间出现几次自我否定，但最终得出正确答案

k0-math

—

✅

回答正确，推理过程思路清晰

QwQ-32B-preview

—

✅

多次更换思考方式，回答较长，但结论正确

GLM-Zero-Preview

—

✅

小问题：错误描述了第10人能否看到其他人；输出中意外夹杂一句英文

o1

推理时间13秒，回答完全正确。

DeepSeek-R1-Lite

推理用时40秒，回答正确。但在思考过程中多次出现了自己否定自己的情形。

k0-math

由于Kimi的 k0-math 是直接输出思考过程，无法确定思考时间。回答正确，推理过程思路清晰，没有太多杂七杂八的思考。

QwQ-32B-preview

QwQ的回答太长了，大概换了3、4种思考方式，不过最终得出了正确的答案。

长度原因，截取其中一段回答给你们感受一下。

GLM-Zero-Preview

智谱回答正确。但在推理过程中存在一个小瑕疵，题目中明确说明第10个人站在最后，意味着第10个人能看清所有人的帽子，但 GLM-Zero-Preview 提到“第10个人看不到任何人”。另外，输出的结果中突然冒出了一句英文回答。

2. 蜗牛爬杆问题

一只蜗牛白天爬上 10 英尺高的杆子，然后晚上从 6 英尺高的杆子上滑下来。蜗牛需要多少天才能到达顶端？

正确答案

这个题目其实是经典的“蜗牛爬杆”问题，但题目中并没有明确说明杆子的总长度，所以需要分类讨论解决。

各模型表现总结

模型

⏱️ 推理时长

准确性

📝 备注

o1

46秒

✅

清晰指出题目信息不足，需要分类讨论，思路严谨

DeepSeek-R1-Lite

34秒

✅

回答正确，也给出计算公式；思考过程前半段中文、后半段切换英文

k0-math

—

❌

没有注意到题目信息不足，直接给出“4天”的答案，属幻觉错误

QwQ-32B-preview

—

❌

输出冗长，结论却为“1天”，显然与题意不符

GLM-Zero-Preview

—

❌

思考过程与最终结论不一致，先说“2天”，最终却输出“1天”，造成冲突

o1

o1 推理了46秒钟，并给出了完全正确的回答。推理过程清晰明了。

DeepSeek-R1-Lite

DeepSeek-R1-Lite 思考用时34秒。回答完全正确，甚至给出了计算公式。点开思考过程， DeepSeek-R1-Lite 前半段用中文思考，后半段自动切换为了英文。

k0-math

本题是没有一个明确答案的，因为未给出杆的总长度。很明显， k0-math 的“4天”这个答案是出现了幻觉。

QwQ-32B-preview

QwQ依然是输出了非常长的思考内容，实打实的“话痨”。但最终给出了一个错误答案：1天。

GLM-Zero-Preview

GLM-Zero-Preview 和前面的QwQ一样，也没能准确理解题目意思，导致陷入了思考漩涡。并且，在思考中， GLM-Zero-Preview 给出了2天的答案，但在最终结果里，却给出了1天的答案。

思考的结果是2天，如下图。

3. 真假话推断问题

有三个匣子，分别是金匣子、银匣子和铅匣子，其中一个匣子里有宝物。每个匣子上都有一条题词：

金匣子：宝物不在此匣中。

银匣子：宝物在金匣中。

铅匣子：宝物不在此匣中。

已知这三句话中只有一句是真话。请问宝物在哪个匣子里？

正确答案

宝物在铅匣子里。

各模型表现总结

模型

⏱️ 推理时长

准确性

📝 备注

o1

7秒

✅

答案正确，推理逻辑严丝合缝，无任何瑕疵

DeepSeek-R1-Lite

18秒

✅

答案正确，推理过程清晰，用假设法找到答案，符合常用解题方法

k0-math

—

✅

答案正确，但推理完毕后又出现自我否定，重复了过程，有过度思考的嫌疑

QwQ-32B-preview

—

✅

答案正确，但推理过程冗长，得出结论后反复验证才给出结果

GLM-Zero-Preview

—

✅

答案正确，但推理过程中产生了明显自我怀疑，最终结果没有偏差

o1

满血版 o1 思考7秒后得出了正确答案，推理逻辑严丝合缝，没有任何瑕疵。

DeepSeek-R1-Lite

DeepSeek-R1-Lite 思考18秒后，得出完全正确的答案，推理过程与 o1 类似，都是用假设法找到了正确答案。这也是解这类题目的常用方法。

k0-math

Kimi给出了正确答案。但推理过程略有瑕疵，本来已经推理完毕，在反思的时候把自己原本正确的结果否定了，又走了一遍推理过程。有过度思考的嫌疑。

QwQ-32B-preview

QwQ回答正确。但推理过程依然很冗长，和上面的Kimi一样，得出正确答案后似乎不是很自信，又反复验证，最终才给出结果。

GLM-Zero-Preview

GLM-Zero-Preview 回答也正确。但推理过程中产生了自我怀疑，这种自我怀疑和Kimi、QwQ几乎一致，但好在最终得到了正确答案。

思考时很容易把自己绕进去。

4. 逻辑推理问题

有 5 个人（A、B、C、D、E）参加比赛，他们分别来自不同的国家（美国、英国、法国、德国、意大利），每个人从事不同的职业（教师、医生、律师、工程师、作家）。已知：

A 是美国人，且不是教师。

B 是英国人，且不是医生或律师。

C 不是法国人，也不是工程师。

D 是德国人，且不是作家。

意大利人是律师。

教师来自法国。

正确答案

共有3个可行解。

各模型表现总结

模型

⏱️ 推理时长

准确性

📝 备注

o1

23秒

✅

找到3个可行解，推理过程正确无误，逻辑清晰

DeepSeek-R1-Lite

43秒

⚠️

找到2个可行解，推理重复，耗时较长，中途自动切换为英文思考

k0-math

—

❌

仅找到1个可行解，前半段推理尚可，后半段开始猜答案，未能完全解出

QwQ-32B-preview

—

⚠️

找到2个正确答案，但推理过程极其繁琐，最终输出自动变成英文

GLM-Zero-Preview

—

⚠️

推理思路清晰，但只找到2个可行解，未能完全解决问题

o1

o1 思考时长为23秒，回答完全正确。推理过程也正确无误。

DeepSeek-R1-Lite

DeepSeek-R1-Lite 思考了43秒，回答部分正确，找到了2个可行解。但查看其整个思考过程，重复思考非常多，占用了不少时间，并且和前面一样，会自动切换为英文思考。

k0-math

k0-math 找到了1个可行解。在推理过程中， k0-math 前半段表现不错，但后半段像是在猜答案，而不是推理。

QwQ-32B-preview

QwQ同样找到了2个正确答案。推理过程极其繁琐，并且最后的输出自动变成了英文。

GLM-Zero-Preview

GLM-Zero-Preview 的推理思路很清晰，但最终仅找到2个可行解。

5. 推理计算问题

用数字 2、3、5、12 和四则运算得出结果 24。

正确答案

12 / （3 - 5 / 2）= 24

各模型表现总结

这个看似简单的24点问题难倒一堆英雄汉！

模型

⏱️ 推理时长

准确性

📝 备注

o1

34秒

✅

答案正确，思考过程严谨，问题难度较大，能找到解法实属不易

DeepSeek-R1-Lite

—

❌

答案错误，强行凑了一个错误答案，未找到正确解法

k0-math

—

❌

答案错误，多次使用数字 12，强行凑出看似合理但实际不符合题意的解答

QwQ-32B-preview

—

❌

最终回答“无解”，未能找到正确答案，推理过程较长

GLM-Zero-Preview

—

❌

答案错误，产生幻觉。深度思考过程暴露了模型未找到可行解，但仍输出一个错误的“伪解答”

o1

o1 思考了34秒，最终得出了正确答案，挺不容易的。

同样的问题扔给 GPT-4o ，回答惨不忍睹。

DeepSeek-R1-Lite

DeepSeek-R1-Lite 直接强行凑了一个错误答案，看起来是希望强行回答一波。

k0-math

Kimi的回答同样完全错误，多用了一遍12这个数字，强行凑了一个看起来合理的结果。值得一提的是，Kimi在这一波回答中“情绪价值”拉满了，比如最开始Kimi表示：刚拿到这个问题，我有点紧张，但也挺兴奋的。

QwQ-32B-preview

QwQ的答案依然是最长的，最终给出了“无解”这个回答。

GLM-Zero-Preview

智谱 GLM-Zero-Preview 的回答也完全错误，在回答中产生了幻觉。并且点开深度思考的过程发现模型并没有找到一个可行解，但却最终强行输出了一个看似正确的解答。

附上 GLM-Zero-Preview 的部分思考过程。明明反思了“这不对”，但还是输出了这个结果。

结论

o1 毫无疑问最强，甚至有点强的过分，不论是题意理解还是分类讨论推理，回答都完全正确。尤其是最后一个24点问题，体现出强大的逆向思考能力。

国内的推理模型和 o1 相比，还有不小的差距，尤其是在推理过程方面，很容易陷入自我怀疑和自我否定的循环，这可能是在训练中加入了“反思”的结果。并且，整个推理比较冗长，同样都能答对的情况下，往往用时可能是 o1 的2倍。