OpenAI深夜上线o3满血版和o4 mini - 依旧领先

　　晚上1点，OpenAI的直播如约而至。

　　其实在预告的时候，几乎已经等于明示了。

　　没有废话，今天发布的就是o3和o4-mini。

　　但是奥特曼这个老骗子，之前明明说o3不打算单独发布要融到GPT-5里面一起发，结果今天又发了。。。

　　ChatGPT Plus、Pro和Team用户从今天开始将在模型选择器中看到o3、o4-mini和o4-mini-high，取代o1、o3-mini和o3-mini-high。

　　我的已经变了，但是我最想要的o3pro，还要几周才能提供，就很可惜，现在o1pro被折叠到了更多模型里。

　　说实话纯粹的模型参数的进步，其实已经没啥可说的了，这次最让我觉得最大的进步点，是两个:

　　1. 满血版的o3终于可以使用工具了。

　　2.o3和o4-mini是o系列中最新的视觉推理模型，第一次能够在思维链中思考图像了。

　　照例，我一个一个来说，尽可能给大家一个，非常全面完整的总结。

　　一.o3和o4-mini性能

　　其实没有特别多的意思，就跟现在数码圈一样，刷新了XX分数。

　　但是惯例，还是得放，而且坦白的讲，那个级别的模型已经不是我能触达他们智力上限的了。

　　首先是模型知识这块，我就一起放了。

　　这块大概解释一下，别看底下模型那么多，乱七八糟，各种变体。

　　但是从最早的o1到如今的o3和o4‑mini，核心差别就在于模型规模、推理能力和插件工具的接入。

　　最开始的o1只是一个基础的推理大模型，它在2024年AIME数学赛上只有74.3%的准确率，在代码竞赛上的表现也相对平平。

　　紧接着推出的 o3‑mini，虽然参数量更小，但经过架构优化，在同一场 AIME上就跑出了87.3%的枫树，Codeforces的ELO也从1891提升到2073。

　　而完整版的o3，其实是比o3‑mini更大的大兄弟，o3其实最明显的变化就是能接入工具了。

　　比如在AIME2024里，o3跑裸模没接工具时能达到91.6%，一旦允许它调用Python，准确率就飙到95.2%。

　　同理，o4‑mini相当于小一号的o4，经过更先进的架构优化，在不开工具的情况下就能拿到93.4%，接入Python后则冲到98.7%，已经快干到满分了。

　　如果把视野放宽到跨学科的PhD级科学题(GPQA Diamond)和专家级综合测试(Humanity’s Last Exam)，无需额外工具时，o3在科学题上能以83.3%稍微领先于o4‑mini的81.4%。

　　而面对专家综合考题，不带插件的o3准确率约为20.3%，添上Python、网络浏览甚至调用多种工具后能推到24.9%。

　　相比之下，o4‑mini从14.3%起步，借助插件也只能涨到17.7%，仍不及 o3。

　　最有趣的是，DeepResearch在这个专家综合测试上，力压群雄，但是也能理解，毕竟人本身就是一个基于o3微调的专门干这活的模型。。。

　　多模态能力这块。

　　三个数据集。

　　MMMU:大学水平的视觉数学题库，题目里既有公式也有图形，考察模型把图像和数学符号结合起来解题的能力。

　　MathVista:专注视觉数学推理，题目多来源于几何图形、函数曲线、矩阵变换等图像，让模型从画面里看出数学规律。

　　CharXiv‑Reasoning:从科学论文(ArXiv)里抽取图表、流程图和示意图，要求模型根据科研图形回答问题，考验它的专业图表理解能力。

　　o1在大学级别的MMMU数据集上只能拿到77.6%，面对直观的MathVista 只有71.8%，CharXiv-Reasoning更是跪在55.1%的及格边缘。

　　o3一上来就把MMMU拉到82.9%，MathVista直接冲到87.5%，CharXiv-Reasoning也飙到75.4%。

　　这次是正二八经地把视觉推理任务推到了一个新高度。

　　代码能力这块。

　　SWE‑Lancer: IC SWE Diamond上真实的自由职业软件工程任务，模型以“高奖励”模式接单，看看最后能拿到的收益是多少钱。

　　所有模型都直接上了high模式。o3直接挣起飞了。

　　SWE‑Bench Verified:一个经人工标注验证的软件工程题库，包括常见算法、系统设计、API 调用等，o3和o4-mini同样遥遥领先。

　　Aider Polyglot Code Editing:多语言代码编辑基准，分“whole”(整体重写)和“diff”(补丁式修改)两类。

　　o3还是强的，o4mini反而比o3mini还差了点。

　　工具使用这块。

　　左边那个Scale MultiChallenge，多轮指令跟随，是一套用来测记性+执行力的题。

　　评测流程一般是:系统给模型一段设定，随后用户分好几轮追加、修改、插入条件，最后再要求一次性产出答案，模型既要把之前的上下文全部保住，又得正确理解最新指令，才能拿高分。o3突出一些。

　　中间那个BrowseComp Agentic Browsing，就是浏览器里干活的能力。题目会给模型接入一个虚拟浏览器，要求它自己去搜索、点击、翻页、在网页里抓信息，再整合成回答。

　　常规的AI搜索就是4o+联网的能力，低的有点可怜，o3加了Python和联网之后，居然快能追上DeepReasearch，这是让我有点没想到的。

　　最右边那个叫Tau‑bench 函数调用。它把模型放进有外部API可调用的场景里，看模型能否判断何时该把自然语言请求转成结构化函数调用，并把参数拼得毫无差错。常见两条赛道:

　　Airline ，比如就是根据乘客需求，生成正确的航班预订JSON。

　　Retail ，比如就是 根据购物指令，调用商品查询或下单接口。

　　如果模型选错函数、漏填参数、或者格式写歪，都会直接扣分，所以这项测验主要检验模型的意图解析到结构化输出链路是否稳固。

　　这块，居然o3相比o1，几乎没有任何提升。

　　然后我在翻System卡的时候，还发现一个有趣的数据。

　　第一个指标是准确率，越高越好，第二个是幻觉率，越低越好。

　　o3因为在整体上，更敢下定论了，所以不会含糊其辞，也就是更准确了，但是幻觉率也飙升，直接干到了o1的两倍。。。

　　以上，就是o3和o4-mini的性能参数。

　　定价上。

　　o3比o1的定价便宜了三分之一，o4-mini相比o3-mini没涨价。

　　OpenAI终于干了回人事。。。

　　二.使用工具以及视觉推理

　　o1和o1pro我之前有个巨大的痛点，就是这玩意不能使用工具，联网、代码解释器啥的，一个都不行。

　　然后只支持识图，连PDF文件，都传不上去，太傻了。

　　而这一次，o3和o4-mini直接拉满，不仅支持了OpenAI的所有工具，甚至还有了一个超级牛逼的新特性。

　　视觉推理。

　　单听这个很难理解，我直接给你们，看两个例子。

　　第一个，是一个非常经典的游戏，就是看图猜地点，但是不是那种没啥难度的，城市题，说实话，有建筑，太好猜了。

　　我们直接进一个专门玩这个的网站，叫图寻，参加每日挑战。

　　我的第一题，就是这个。

　　对，就这么个东西，让你猜这是中国的哪，在右下角的地图上打标，离终点越近，分越高。

　　我直接把这个扔给了o3，我们来看看，他的思考过程。

　　非常离谱的，自己去看图，把图片放大，一点一点思考，这个地方不对，哎换个地方我再放大看看。

　　以前模型的思维链，只有文字，而这次，这是大模型第一次，真正的把图片，也融入到了推理中。

　　我们再回过头来看看，刚才那道猜地题，它给出的答案。

　　虽然没有那么肯定，但是也给出了答案，北京门头沟、房山，109国道，妙峰山那一段。

　　我们来揭晓答案。

　　可能有些人对这个地点不熟悉，这个地方，叫北京，门头沟，109国道，妙峰山。

　　那一刻，我真的有点起鸡皮疙瘩了。

　　因为你会发现，AI开始像人一样去看图、像人一样去思考了。

　　以前你说AI懂图，懂什么?懂像素?懂特征?是的，它会提特征、会分类、会打标签，但它并不看图思考。

　　它是一个图像识别器，但不是一个图像思考者。

　　而今天，o3，是第一次让模型学会了看图思考，学会了视觉推理。

　　这个变化，堪称范式级别的跃迁。

　　我们甚至可以，把一个事件的图片发给他，让他来寻找，这是哪一天发生的事件。

　　还有一个很有趣的例子，虽然不算成功，但是我还是想分享给你看。

　　前天，《流浪地球3》正式开机了，官方也发了一张大合照。

　　也官宣了沈腾的加入。

　　然后，我试图，让o3，在里面找到吴京。。。

　　第一次，失败了。

　　因为那天太晒，吴京和沈腾都带了帽子，几乎就无法靠脸识别了。

　　于是，我又去找了一张图。

　　这一次，他成功了，当然，靠的是找帽子。

　　这个case，可以完整的展现出，o3的能力，包括在中间各种放大查看细节，跟python结合进行分析以及加红框等等。

　　视觉推理让AI具备了第一种专业场景下的观察力。

　　而视觉推理这个能力的普及，意味着很多原本需要人眼判断的岗位，会被彻底改写。

　　安全监控不再是看到异常才报警，而是看到将要发生异常就提前预判。

　　设计审稿不再是人力盯图，而是AI先过一遍排版，再交给人来最后决策。

　　医生看片子，也不再只是看片，而是由AI先提出几个可能的诊断路径和可能遗漏点，再辅助手术或治疗。

　　这就像，当年推理模型对非推理模型的冲击。

　　而现在，又一次上演。

　　写在最后

　　除了o3和o4-mini之外，OpenAI这次，还开源了一个AI编程工具。

　　有兴趣的可以去试试。

　　这一次，看到OpenAI掏出来的模型。

　　我忽然想起很多年前，人类第一次拍到地球全貌时的震撼。

　　一颗蓝色的球，悬在黑色的宇宙中。

　　那张图，改变了很多人的世界观。

　　而今天，当AI第一次看懂图、思考图、把图当做世界的一部分去推理。

　　我们或许，也站在了某种第一次的起点。

　　它会改变什么?

　　我现在，还不知道。

　　但是一定会有所改变的。

　　我坚信。