刚刚，o3 与 o4-mini 正式发布，定义未来推理新范式，o1 系列被扫进历史垃圾堆
o3 与 o4-mini，重新定义了未来的推理范式。
今天，OpenAI 正式发布 o3、o4-mini、o4-mini（high）！
这次不是升级，而是颠覆。
继 o1-preview 之后短短 3 个月，在那场 OpenAI 12天发布会的最后一天，o3 概念正式问世。
在通向 AGI 的北极星—— ARC-AGI 基准测试中，o3 更是突破所有历史纪录。
不过，o3 面向大众沉寂的几个月里，作为 OpenAI 迄今为止最具成本效益的 o3-mini（擅长快速推理）和 o3-mini-high（擅长编程代码），似乎并未获得想象中的用户人群一边倒的狂热掌声。
这反而引起了大家对 o3 完整版的无限期待，希望它能带给大家**" o1 时刻 "**。
大家希望这批新模型将重新定义 AI 应用的边界，无论普通用户，还是开发社区都能获得珍贵的"可能性"。
我整理了这场发布会，完整梳理了这回的" o3 时刻 "，以及预兆下一个版本的"o4-mini"。
你认为它们将会是 OpenAI 迈向 AGI 里的又一枚关键拼图？还是一枚在 ChatGPT 产品侧过渡性补强和商业化过渡中的弃子？
这回发布会由 OpenAI 联合创始人 Greg Brockman 和 首席研究官 Mark Chen 等人主持，他们继续带着那张微笑的脸，讲述这回的技术革新故事。
o3 与 o4-mini 全面进化
这回发布的 o3 专为深度编码工作流程和复杂技术问题解决而设计，而 o4-mini 则注重效率。
o3 可以称为 OpenAI 最强推理模型：在编码、数学、科学、视觉感知等领域的基准测试中都堪称 SOTA 级别。
我整理了几个 o3 重点关注方面：
- 适用场景：适合需要多方面分析、答案不明显的复杂查询。
- 视觉任务突出：擅长分析图像、图表、图形
- 错误率降低：外部专家评估，o3 在困难现实任务中比 o1 重大错误少 20%，尤其在编程、商业/咨询、创意构思领域表现优异。
- 分析严谨：早期测试者赞其作为思维伙伴，特别在生物学、数学、工程领域能生成并批判性评估新颖假设。
o4-mini 则是一个针对快速、成本效益推理进行优化的较小模型，但是性能同样强悍：
- 小而强大：体积小、成本低，尤其在数学、编程和看图任务上表现惊艳。
- 数学和编程能力极强：在 2025 年的AIME数学竞赛中，o4-mini 用 Python 辅助时得分高达99.5%。
- 不只擅长理工科：它在非理工任务（比如商业、创意）以及数据科学上也比上一代（o3-mini）更优秀。
- 效率高：适合需要快速处理大量问题的场景，比如大数据分析或高频任务。
这两个模型在指令遵循及响应有用性、可验证性方面都优于前代，更自然、更个性化。
跑分方面，也不得不看，毕竟现在 LLM 一出来就要在各种基准测试上狂飙。如果只落下一个车位，就会被人放在排行榜上。
这回的 o3 和 o4-mini 在 AIME 数学测试、编程能力、GPQA Diamond PHD 级别科学测试题、人类最终考试等多个针对复杂问题解决能力的测试集上，都表现极佳，与前一代的 o1 平均拉开了 20% 的差距。
在包括 AIME 2024、 AIME 2025 数学竞赛和一些其他基准测试中，o4-mini 都要比 o3 完整版表现出的数学推理和问题解决能力还要强。
搭配上 Python 和浏览工具的 o3 ，在人类最后考试上甚至达到了 24.9%的准确率，几乎与 DeepResearch 持平，但是 o3 模型的运行速度是 DR 完全不能比的。
数学推理能力
我们也找来了 2 道都曾难倒 o1 和 o3-mini 的"难题"来考验下 o3 和 o4 系列。
1.李老师夫妇最近生了二娃，小张在两个娃娃中随机选一个被告知是女孩，请你告诉小张另一个娃也是女孩的概率（假定生男生女的概率均等）
这题曾连续难倒 o1 和 o3-mini，但是 o3 思考 10 秒后，通过极短的推导思路推理出了正确答案。
o4-mini 和 o4-mini（high）在推理上的效率大幅提升，面对这题几乎是秒解。
2. 有 4 头牛，这 4 头牛的重量都是整千克数，把这 4 头牛两两合称体重，共称5 次，分别是 99、113、125、130、144，其中有两头牛没有一起称过。那么，这两头牛中重量较重那头重量为
面对这道题，o1 和 o3-mini 也是连续错误。
o3、o4-mini 和 o4-mini（high）全部答对，并且 o4-mini（high）只用了非常夸张的 16 秒。
不过，不得不说的是 o4-mini 花费的时间甚至比 o3 还要多，达到了 2m26s，DeepSeek R1 推理这道题目也只需要 134秒而已。
多模态能力
多模态方面的基准测试主要涉及三个任务：
- MMMU（大学级别视觉问题解决）
- MathVista（视觉数学推理）
- CharXiv-Reasoning（科学图表推理）
总的来说，o3 与 o4-mini 相对于 o1 都有了不小的提升。
需要更强的专业知识和多模态理解能力科学图表推理方向，o3 比 o1 高出了 20%。
最有看点的是：o3 可以用图像进行思考。这开启了一种新的问题解决范式，将视觉推理和文本推理相结合。
OpenAI 在官方博客中说到：借助工具使用，模型可以实时操作图像——旋转、缩放或变换它们，作为推理过程的一部分。
在下面这个官方例子中，使用者输入：
我今天早些时候拍了这张照片。你能找到我看到的最大的船的名字，以及它接下来会停靠在哪里吗？
o3 展示了其 1 分 33 秒的推理过程：
- 分析图像： 我认为我在裁剪时错过了船只。它们似乎在左边，我会放大以便更好地检查。
- 分析图像： 好的，我现在看到船了。最大的那艘似乎是右边那艘红壳油轮，中间还有另一艘较小的船。用户想知道最大船的名字以及它接下来会停靠在哪里。在这个距离，船壳上的名字可能太模糊看不清。也许进一步放大能帮助看清。
o3 已经结合了视觉处理、逻辑推理和动态工具调用的能力。
这些操作并非孤立进行，而是作为模型推理过程的有机组成部分。
这意味着，模型可以在分析和理解图像内容的同时，灵活地对其进行改造。
当使用者上传一张具有比较复杂路径的迷宫图片，并尝试让 o3 解决这个迷宫并画出红色的路径时，o3 在实际的推理分析过程中会大量的运用到 Python 协助分析。
最终的答案如下，o3 利用** Python 数据分析、网络搜索、图像生成等工具协同工作**，在原有图片之上，用红色笔触绘制了一个可能的解决方案路径。
不过，从答案中也能明显观察到，o3 的视觉精度与工具的协同调用虽然已经比较成熟，但仍会存在不精准的局限性问题：过长的推理链条、感知错误、可靠性问题。
编码
在编码能力方面，o3 与 o4-mini 都大幅超越 o1。
由于 o3 和 o4-mini 在编码方面的表现比较出色，OpenAI 为此专门推出了一款新产品——Codex CLI，作为一个编码 agent 搭配这两大模型使用：
- 面向终端开发者：提供 ChatGPT 级别推理，支持运行代码、操作文件、迭代开发，集成版本控制。
- 零配置：只需 OpenAI API 密钥即可使用。
- 安全可靠：网络禁用、目录沙箱，自动审批。
- 多模态：支持截图或图表输入以实现功能。
- 完全开源：可查看代码并贡献开发。
Codex CLI 完全开源，并且之后将会持续改进。
Codex CLI 链接：https://github.com/openai/codex
另一个看点是 o3 和 o4-mini 模型可完全访问 ChatGPT 的内置工具，并通过 API 函数调用支持自定义工具。
这些模型经过训练，能够推理问题解决方式，选择合适的工具使用时机和方式，快速生成详细且深思熟虑的回答。
模型通过链式调用多个工具完成任务，并能根据获取的信息动态调整。
比如，上传一张节目表演图，并配合文字表示自己已经看到了第 4 个表演，提出一些限定性要求，让 o3 通过图片制作计划表。
成本效益对比一直是各路观察者最为关注的内容，因为它直观地展现了资源投入与产出效果之间的关系。
对于 AIME 2025 基准测试，在几乎同样的推理成本下，o4-mini 相较于 o3-mini 提升了 10%。
在 GPQA 基准测试下，2 个模型却出现了倒灌现象。
这一现象在 o1 和 o3 的对比上，被一定程度地颠覆了：o3（high）在推理成本低于 o1（high）的情况下，在 AIME 2025 基准测试上高出了 10 % 左右；在 GPQA 测试中，所有的同等模型下，o3 都要比 o1 模型成本更低，性能表现上涨。
目前 o3 和 o4-mini，已经可以在各大 AI 编程厂商调用（例如 Github Copilot ）。并且，从今天开始，ChatGPT Plus、Pro 和 Team 用户已经可以使用 o3、o4-mini 和 o4-mini-high，用以取代 o1 系列。
目前，我的调用栏里** o1 系列已经被撤换，全面上新 o3**。
不过，作为性能表现全面提升的推理模型，成本仍然不算低，估计将会限制配额。
接下来的几周，OpenAI 还将 发布 o3-pro。
扩展定律未死
在整个 o3 的开发过程中，OpenAI 发现"扩展定律仍然活得好好的"。o3 的大规模强化学习与 GPT 预训练一样：算力堆的越多，性能就越强。
在强化学习领域扩展计算规模，OpenAI 将训练和推理时间提升了一个数量级，性能仍显著提高。模型思考时间越长，性能越好。相比 o1，o3 在相同延迟和成本下性能更高，且思考时间延长时性能持续提升。
可以预见的是，OpenAI 的巨型数据中心项目仍将大量上马。
o3 的发布可谓是一波三折，从 Sam Altman 大脑思维的不断变换来看，可谓是「胎死腹中」又「离奇复活」。
OpenAI 在 2024 年 12 月 宣布了 o3 和 o3-mini 模型，一个月后，o3-mini 正式发布，然而，完整的 o3 模型却失联了。OpenAI 宣布取消 o3 作为独立模型的发布计划，而是将其技术整合到即将推出的 GPT-5 中。
这一招据称是为了 GPT-5 的进一步优化而争取时间。显然，这一步棋不止于技术，更涉及 OpenAI 一如既往的商业考量。
Sam Altman 的这一波波"无常"操作，吊足了大家胃口，但也引起了非议。
DeepSeek 狂轰乱炸，整整霸占科技圈头条一周后，OpenAI 突然抛出了 o3-mini。这回，在即将到来的 DeepSeek-R2 发布前夕，又再次大幅变更计划，AI 届的"产品营销大师"是否是为了精准狙击 DeepSeek？
在这个技术跃迁、竞争急剧加速的时代，没有人敢彻底下注 OpenAI 一定能走向终点——毕竟 AI 世界的**"黑天鹅"向来不缺**，DeepSeek 就是一个再明显不过的例子。
不过，无论这场 AI 大秀的镁光灯打向何方，OpenAI 都将会是"AGI 之梦"最有力的实现者，那个最有可能"领跑终点"的选手。
