活动、券的叠加会让计算逻辑更复杂，底层的逻辑是相同的，只要识别参与优惠的范围，按照此方法计算即可。 不管那种方法都不是绝对公平的，要因地制宜 考虑不同的行业 和 不同的财务要求。 以及对商品毛利率的影响，会影响到商品运营部门 对商品的考核。如果运营部门对费用的统计有要求，还涉及到费用统计的问题，是另一体系单独和大家探讨。
本文由 杰记 原创发布于人人
都是产品经理，未经许可，禁止转载 题图来自 ，基于 协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。OpenAI 最新发布的 o1 模型虽然号称达到了博士水平，但总有人不信。本文作者邀请了数位作者对 o1 模型进行实际测试，评估了其在物理学、材料化学和生物学问题上的回答质量。一起来看看表现如何。 今天凌晨，OpenAI 毫无预告地发布了业内期待已久的新模型。此前，大家从 CEO 奥特曼。
的推文中猜测这个模型会叫
草莓 ”。 而在实际发布的时候，这个模型的名字叫 OpenAI o1 模型。 奥特曼对这个模型的评价是：他们迄今为止最强、最一致的模型。 在官方给出的一组数据图中，我们能很明显地看到 o1 模型在国际数学奥林匹克竞赛、编程竞赛还有博士级别的科学问题上有很大提高。图中最左侧为 GPT-4o，中间是目前已经开放了的。
企业专注于有针对性的策略来接触 手机号码数据 合适的受众。使用手机号码列表是一种有效的方法。有针对性的电话号码数据使公司能够与特定的客户群体建立联系，从而推动更加个性化的参与。这种方法有助于创建量身定制的营销活动，从而提高响应率并改善客户体验。企业可以利用有针对性的列表进行短信营销，提高沟通效率和相关性。
预览版 o1，最右边高高的红色
柱子为满血版 o1。我们可以看到，基本每一项，o1 比起自己 当您购买任何类型的人寿保险时 的前辈来说，都是接近 8 倍的提升。 如果把这些测试结果拆开来，新 o1 也几乎是在各种学科、各种领域，都全量、全面、全方位地超越 4o 版本模型。 而最让人感到可怕的是：OpenAI 说自己专门请了博士专家一起答题，结果在博士级别的测试结果上，发现 o1 答题分数均超过了博士专家，o1 得分 78，人类得分 69.7。 所以，人类一败涂地了？ 跳槽做B端产品。
经理准备大干一场，发现把问
题想简单了 近年来，B端业务大力发展，也让很 电话号码 sa 多相关岗位的人（C端产品经理、交互、测试、研发、运营、项目经理等）纷纷转型做B端产品。但是大多数人刚开始会对B端 … 查看详情 > 为了能大概了解 o1 模型（ 预览版 ）的真实能力到底几何，知危编辑部邀请了三位知名院校博士来向 o1 模型提问，并请他们对 o1 的回答进行打分。（ 订阅 ChatGPT Plus 会员每周有 30 次向 o1 预览版模型提问的机会 ） 为了保证多样性和客观性，我们邀请的博士分别涉猎生物学、物理学、材料化学。 其中，南京大学在读物理学博士崔博士对。
模型的评价是最高的，他认 已
经达到了 60-80 分（ 满分 100 分 ）的水平。 甚至在某些问题上，他认为回答可以给到 90 分。 崔博士的研究方向是量子光学，所以他给出的第一个问题是：远距离纠缠光子分发，有什么克服白噪声的办法？ 思考 9 秒后，o1 就给出了 10 点可行的措施。 崔博士对回答的评价为：“ 答案列举的全面，符合现有的最新研究进展，对知识储备不足的人可能提供调研方向，但是可能对高级别专业人员没有提供真正有用的信息，属于科普级别的答案。” 评分方面，崔博士认为 o1 的这次回答可以打 80 分，他指出，o1 回答中提到的。
自适应光学的方向是今年最新的
成果，回答是具有先进性的。 随后，崔博士追问了 “ 是否可以扩展到量子自适应光学？” 这一问题，o1 思考 19 秒后给出了作答。 崔博士对这个回答的评价是：“ 可以给到 90 分，这个回答对我也很有提示性，虽然不具体，但对我们只需要指个可能的方向，剩下的我们自己来调研思考。” 崔博士指出，“ 他的回答有很多是我的知识薄弱区了，有的概念我也只是简单理解，但他说的我认为都是有道理的，所以我认为还是。
可以的相比之下对于老版本
模型相同问题的作答，崔博士的评价是不及格或是 60 分。 不过，在关于涉及实验细节的 “ 基于非线性相互作用产生的高纯度解关联单光子的自关联函数，，如何测量？” 这一问题上，崔博士认为 o1 的回答中规中矩，只能给 75 分。 总的来讲，崔博士认为在物理方面，o1 的表现算是不错的，和老版比下来提升基本在 20 分左右。 下面，我们来看看北京大学在读材料化学的 K 博士对 o1 模型的。
评价博士围绕 材料问了一系列
的问题，o1 给了很长的一串回答，为了精简篇幅我们这里只展示了部分问题和结果。 整体测试之后，K 博士给出的评价也差不多：可能有研究生水平，但是深入的认知和给方案的能力比较弱，主要还是针对已知内容作答。 比如问到如何调节 Fe-N4，o1 可以说出基于电子态调节，但你要是问它那该如何调节，它就。
有点卡壳了虽然相比
模型没那么胡说八道，但具体的问题上他俩都给不了太多建议，老版本 4o 是丧失细节乱说，新版本 o1 则是能力有限就会词穷。 下面，我们再看看清华大学在读生物学的信博士的评价，他的提问是：“ 如何从质谱数据集中区分赖氨酸残基的乳酰化和羧乙基修饰。
