人类
可以对一个规模如同GPT4的模型进行精细调整，并且能够雇佣众多数学家以及信息学竞赛的佼佼者。我们的目标明确：竭尽全力将诸如codeforce排名等各项基准测试指标提升至极致。在技术路径上，我们可以采用MCTS（蒙特卡洛树搜索）进行后续训练。以具体问题为例，假定该问题存在确定答案，让大型语言模型（LLM）一次性生成n个可能的令牌，每个令牌就衍生出一种潜在状态。把问题本身视为根节点，不同令牌为分支状态，如此一来便能把一个问题转化为MCTS问题，进而展开暴力搜索。搜索过程本质上是一个强化学习的过程，期间会有一定的人工干预。例如
人类会详细写下问题的求解步骤，当模型触及正确的中间步骤时，及时给予奖励，而不是等到最终结果才给予反馈。对于刷榜策略而言，首先通过多次提交，在各大基准测试中尽可能多地获取私有测试数据，随后将其纳入到自身的训练数据之中。获取数据最便捷的方式便是反复提交自己的模型。由于各个基准测试平台通常难以运行像GPT这样的庞大模型，往往是它们把题目和答案推送给我们，所以我们能够轻易获取问题的答案。之后的刷榜工作就相对简单了。以codeforce为例，每次比赛不可能全部是新题目，必然会包含旧题或其变种，这类题目GPT可以迅速作答。由于codeforce得分会随着时间推移而衰减，而
人类的答题速度显然远远慢于GPT，所以GPT在已知题目上能轻松超越
人类。对于新题目，GPT则运用前述方法进行暴力搜索并反复提交答案。鉴于GPT的答题速度远超
人类，在相同时间内它可以提交大量答案，总是有一定概率获得保底分数。至于其他基准测试，只要想办法解决已知问题应该就足够了。总而言之，如果充分借助数据泄露，刷榜实际上是可行的。不过o3的实际性能如何，还是需要等待它正式发布后才能知晓。然而，以上所述仅为一种基于假设的恶意猜测，绝不代表任何实际研究机构的真实做法或者价值观。真正的科研工作者秉持严谨、负责的态度，致力于推动科技进步而非投机取巧。他们遵循学术道德规范，尊重
知识产权，注重研究成果的真实性和可靠性，努力为社会创造有价值的贡献。这种不择手段追求排名的行为与真正的科研精神背道而驰，应当受到谴责。
