OpenAI震撼發布「天才級」推理模型o3與o4-mini！直逼視覺推理巔峰

滿血版o3和o4-mini深夜登場，首次將圖像推理融入思維鏈，還會自主調用工具，60秒內破解復雜難題。尤其是，o3以十倍o1算力刷新編程、數學、視覺推理SOTA，接近「天才水平」。此外，OpenAI還開源了編程神器Codex CLI，一夜爆火。不出所料，滿血版o3真的來了。

剛剛，OpenAI聯創Greg Brockman和首席研究官Mark Chen帶隊，開啟了20分鐘線上直播。

這次不僅有o3，還有下一代推理模型o4-mini。它們首次實現了「用圖像思考」，堪稱視覺推理的巔峰之作。

如同AI智能體，兩款模型在不到1分鐘內，自主判斷并組合運用ChatGPT內置工具，生成了詳盡周全的答案。其中包括，搜索網頁、用Python分析上傳的文件及數據、對視覺輸入進行深度推理，乃至生成圖像。

在Codeforces、SWE-bench、MMMU等基準測試中，o3刷新SOTA，不論是在編程、數學、科學，還是在視覺感知領域都樹立了新標桿。尤其是，對于圖像、圖表、圖形分析，o3表現尤為突出，能夠深入挖掘視覺輸入的細節。

在Codeforces中，新模型得分均超2700分，在全球參賽者中排名前200名，用奧特曼的話來說，「接近或達到天才水平」。不過，這個智力的代價是，需要投入o1十倍以上的算力。

相較于滿血版o3，o4-mini則以小巧高效、高性價比的特點脫穎而出。

在AIME 2025測試中，o4-mini配合Python解釋器取得了99.5%高分，幾乎完美拿下了這項基準測試。而且，在數學、編程、視覺任務，以及非STEM領域，它的性能均優于o3-mini。此外，o4-mini支持遠超o3的使用額度，是高并發場景最優選。總而言之，o3和o4-mini都非常擅長編碼，由此OpenAI還開源了一個可在終端運行的輕量級編程 AI 智能體——Codex CLI。

從今天起，ChatGPT Plus、Pro和Team用戶將第一時間體驗到o3、o4?mini和o4?mini?high，它們將取代o1、o3?mini和o3?mini?high。同時，這兩款模型也將通過Chat Completions API和Responses API，向所有開發者提供。

推理模型，首次會用工具了

直播演示中，Greg先上了一個價值——有些模型就像是質的飛躍，GPT-4是其中之一，今天o3/o4-mini同樣是。他表示，o3讓他和OpenAI的同事見到了AI大模型能完成「從未見到的事」，比如，它自己就提出了一個很棒的系統架構想法。這兩款模型真正令人驚訝的地方，它們不僅僅是模型，更是一個「AI系統」。它們跟之前那些推理模型最大的區別，就是首次被用來訓練各種工具。它們會在CoT中使用這些工具來解決難題。

人類最后考試中，o3模型足以媲美Deep Research表現，而且速率更快為了攻克了一個復雜難題，o3曾連續使用約600次工具調用。它們一次性生成的代碼片段，真正在代碼庫發揮效用。Greg表示，自己最珍視的一點，就是它們的軟件工程能力：它們不僅能編寫一次性的代碼，而且能真正在真實的代碼庫中工作！比如，它在瀏覽OpenAI代碼庫方面，就比Greg做得更好。這就是它極其有用的地方。

而且，在指令跟隨、智能體工具使用評估中，與工具結合的o3和o4-mini準確性是最高的。

外部專家評估顯示，o3在處理真實世界任務時，嚴重錯誤率比o1還降低了20%。之所以有如此大的進步，正是因為RL中持續的算法進步所驅動的。用Greg的話說，引擎蓋下最令人驚嘆的是，目前它還仍然是預測一個token，然后加入一點RL的AI，就已經做到這個地步。那么，在實操過程中，o3是如何結合使用工具解決復雜任務的呢？多模態團隊研究員Brandon McKinzie上傳了一張2015年完成的一個物理實習海報，讓ChatGPT估算質子同位標量電荷的數量。

o3開始推理的同時，逐一分析圖片中內容，并確定Brandon提出問題的正確數量。實際上，海報截圖中并沒有覆蓋最終結果。于是，o3便開始聯網搜索查找最新的估算值，幾秒鐘內讀完數十篇論文，節省了大量時間。結果顯示，模型計算出了一個未經歸一化的值，并且乘以一個特定常數，又可以重新歸一化，最終結果與實際比較接近。

后訓練團隊研究員Eric Mitchell為ChatGPT開啟了記憶功能， 然后讓o3去查找新聞，而且是與自己興趣有關的內容，同時還要足夠冷門。o3基于已有的了解——潛水和演奏音樂，主動思考并調用工具，找出了一些相關的有趣內容。比如，研究人員錄制了健康的珊瑚聲音，并用揚聲器播放錄音，加速了新珊瑚和魚類定居。同時，它還能繪制出可視化的數據，便于直接放入博客文章當中。

也就是說，無論o3是用于前沿的科研領域，還是將模型集成到日常工作流中，都會非常有用。在解決AIME數學競賽問題時，o3被要求觀察2x2方格網格，并計算出滿足約束條件的顏色方案數量。

它首先生成了一個暴力程序，然后用Python解釋器運行，并得到了正確答案，即82。即便如此，它的解題過程并不優雅簡潔，對此，o3自動識別后并嘗試簡化解決方案，找到更聰明辦法。

它還會自動核查答案的可靠性，甚至最后給出了文字解決方案，方便向人類解釋。讓研究人員驚訝的是，訓練o3過程中并沒有使用類似策略，也沒有要求簡化，都是AI自主學習完成的。

在編碼任務中，研究人員讓o3-high找出一個名為symbols軟件包的錯誤。首先，模型會主動檢查指令中，所說的問題是否存在，并嘗試了解代碼儲存庫的概況。

然后，它發現一可以mro的解釋類繼承信息的Python結構，基于已有的世界知識，找到了問題所在。

最后，o3通過瀏覽互聯網，找到了最優的解決方案——apply_patch。

就推理成本來看，o3和o4-mini不僅是迄今為止最智能模型，相較于o1和o3?mini，更在效率和成本控制方面樹立了新標桿。在2025年AIME數學競賽上，o3推理成本和性能全面優于 o1，同樣地，o4-mini成本-性能也全面優于o3?mini。所以，如果你需要一個小而快的多模態推理模型，o4-mini將是極好的選擇。

o3和o4-mini能夠自主選擇工具、計劃方法解決問題，無論是數學、商業、科學、體育還是視覺推理都沒問題。比如，在解決體育問題時，o3能聯網獲取最新數據，考慮了最近一個賽季和2022-23年聯賽ERA略升后回歸正常的情況。o1給出的數據是大概值，略有偏差，不夠精確，而且它錯誤地認為偷壘增加完全是因為投球計時器，忽略了基地墊擴大和限制牽制次數這些更直接的原因。

用圖像思考，視覺推理新巔峰

更引人注目的是，o3和o4-mini在視覺推理上全面超越前代，成為o系列最新的視覺推理模型。它們通過在思維鏈（CoT）中用圖像進行推理，實現了視覺感知的重大突破。OpenAI首次實現了模型在其思維鏈中用圖像進行思考——而不僅僅只是看圖。

與早期的OpenAI o1類似，o3和o4-mini能在回答前思考更久，在回答用戶前內部會生成很長的思維鏈。不僅如此，o3和o4-mini可以在思考過程中「看」圖片。這種能力是通過工具處理用戶上傳的圖像來實現的，比如進行裁剪、放大、旋轉等簡單的圖像處理。更厲害的是，這些功能都是原生的，不需要依賴額外的專業模型。

在基準測試中，這種用圖像思考，無需依賴網絡瀏覽的能力，碾壓了前代多模態模型的性能。在STEM問答（MMMU、MathVista）、圖表閱讀與推理（CharXiv）、感知基元（VLMs are Blind）以及視覺搜索（V*）等領域，o3和o4-mini均創下了SOTA。特別是，在 V*基準測試上，兩款模型以96.3%準確率幾乎攻克了這項挑戰，標志著視覺推理技術重大飛躍。

ChatGPT增強的視覺智能，能更徹底、精準、可靠地分析圖片，幫你解決更棘手的問題。它能將高級推理與網頁搜索、圖像處理等工具無縫結合，自動放大、裁剪、翻轉或優化你的圖片，哪怕照片不完美也能挖掘出有用信息。比如，你可以上傳一張經濟學作業的照片，得到一步步的解答，或者分享一個程序報錯的截圖，快速找出問題根源。這種方法開啟了一種新的測試時計算擴展方式，完美的融合了視覺和文本推理。這體現在它們在多模態基準測試中的頂尖表現，標志著多模態推理邁出了重要一步。

視覺推理實戰

用圖像思考可以與ChatGPT更加輕松的互動。你可以直接拍張照片提問，不用擔心物體擺放問題——不論文字是不是倒的，或者一張照片里有多道物理題。即使東西乍一看不太清楚，視覺推理也能讓模型放大看清細節。比如，一個放在桌子上幾乎與視線平行的筆記本，上面有兩行模糊的字，人看上去也很難直接認出來。而ChatGPT可以將圖片放大查看，發現字是倒著的后，還將其旋轉過來，最終成功將其給認了出來。

OpenAI最新的視覺推理模型能跟Python數據分析、網頁搜索、圖像生成等工具配合，創意又高效地解決更復雜的問題，為用戶首次帶來了多模態智能體驗。

編程智能體Codex CLI全開源

接下來，OpenAI表示，將展示一些codex遺產的延續，發布一系列應用程序，而它們，將定義編程的未來。除了新模型之外，OpenAI還開源了一項新的實驗性工具：Codex CLI，一個可在終端運行的輕量級編程AI智能體。它的作用，就是在需要的地方安全地部署代碼執行。它直接在本地計算機上運行，旨在充分發揮o3和o4-mini這類模型的強大推理能力，并將很快支持GPT-4.1?等更多模型的API調用。

通過向模型傳遞屏幕截圖或低保真草圖，并結合訪問本地代碼的權限，就能在命令行中體驗到多模態推理的強大功能。同時，他們也啟動一項100萬美元的資助計劃，用以支持使用Codex CLI 和 OpenAI 模型的項目。GitHub項目一經發布，Codex CLI已斬獲3.3k星，可見響應度之高。

項目地址：https://github.com/openai/codex

現場，OpenAI演示人員參考了網上的帖子，使用Codex和o4 Mini做了一個很酷的圖片轉ASCII生成器。只需先截一張圖，拖進終端里，接下來就可以把它交給Codex。

令人驚嘆的是，你可以實際看到它在思考，還可以直接運行工具。

完成后，Codex創建了一個ASCII HTML文件，甚至還生成了一個可以控制分辨率的滑塊。也就是說，從此電腦上的任何文件，以及你正在處理的代碼庫，都可以放進Codex了！在現場，研究者們還成功添加了一個網絡攝像頭API。

Scaling強化學習，依舊有效

在OpenAI o3的整個研發過程中，研究者觀察到一個現象：大規模強化學習同樣遵循著GPT系列預訓練時顯現的規律——即「投入越多的計算資源，就能獲得越好的性能」。他們循著這條Scaling路徑，這次將重點放在強化學習（RL）上，把訓練計算量和推理階段的思考量（或稱推理計算量）都提升了一個數量級，結果依然觀察到顯著的性能提升。

技術報告：https://cdn.openai.com/pdf/2221c875-02dc-4789-800b-e7758f3722c1/o3-and-o4-mini-system-card.pdf

這驗證了只要給模型更多時間去「思考」，它的表現就會持續提高。相較于前代o1，o3在相同延遲和成本下展現出更高的性能。更令人興奮地是，當允許思考更長時間，其性能還會繼續攀升。

此外，OpenAI通過強化學習訓練，讓o3和o4-mini掌握了工具使用的智慧——不僅學會「如何用」，更懂得「何時用」。它們不僅能完全訪問ChatGPT內置的工具，還能通過API中的函數調用功能接入用戶自定義的工具。這種能力讓模型在開放式場景時，更加游刃有余，尤其是在需要視覺推理和多步驟工作流的復雜任務中。而且，從前面諸多案例中，我們已經對模型工具調用的能力，獲得了關鍵一撇。那些提前拿到內測資格的大佬們，紛紛被o3震驚了。尤其是在臨床和醫學領域，它的表現堪稱現象級。無論是診斷分析還是治療建議，仿佛出自頂尖專家的手筆。

不論是加速科學發現、優化臨床決策，還是推理跨領域的創新，o3正成為這場變革的主導者。

參考資料：

https://openai.com/index/thinking-with-images/
https://openai.com/index/introducing-o3-and-o4-mini/

文章來源：新智元