新智元報道

編輯：編輯部 NZYH

【新智元導讀】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秒內破解複雜難題。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，開啓了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”，堪稱視覺推理的巔峯之作。

如同AI智能體，兩款模型在不到1分鐘內，自主判斷並組合運用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杆。

尤其是，對於圖像、圖表、圖形分析，o3表現尤爲突出，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。

相較於滿血版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，它的性能均優於o3-mini。

此外，o4-mini支持遠超o3的使用額度，是高併發場景最優選。

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。

人類最後考試中，o3模型足以媲美Deep Research表現，而且速率更快

爲了攻克了一個複雜難題，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，正是因爲RL中持續的算法進步所驅動的。用Greg的話說，引擎蓋下最令人驚歎的是，目前它還仍然是預測一個token，然後加入一點RL的AI，就已經做到這個地步。

那麼，在實操過程中，o3是如何結合使用工具解決複雜任務的呢？

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，並確定Brandon提出問題的正確數量。實際上，海報截圖中並沒有覆蓋最終結果。

於是，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，並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。

後訓練團隊研究員Eric Mitchell爲ChatGPT開啓了記憶功能， 然後讓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基於已有的瞭解——潛水和演奏音樂，主動思考並調用工具，找出了一些相關的有趣內容。

比如，研究人員錄製了健康的珊瑚聲音，並用揚聲器播放錄音，加速了新珊瑚和魚類定居。

同時，它還能繪製出可視化的數據，便於直接放入博客文章當中。

也就是說，無論o3是用於前沿的科研領域，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，並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，然後用Python解釋器運行，並得到了正確答案，即82。

即便如此，它的解題過程並不優雅簡潔，對此，o3自動識別後並嘗試簡化解決方案，找到更聰明辦法。

它還會自動覈查答案的可靠性，甚至最後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過程中並沒有使用類似策略，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找出一個名爲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，並嘗試瞭解代碼儲存庫的概況。

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

最後，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不僅是迄今爲止最智能模型，相較於o1和o3‑mini，更在效率和成本控制方面樹立了新標杆。

在2025年AIME數學競賽上，o3推理成本和性能全面優於 o1，同樣地，o4-mini成本-性能也全面優於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略升後迴歸正常的情況。

o1給出的數據是大概值，略有偏差，不夠精確，而且它錯誤地認爲偷壘增加完全是因爲投球計時器，忽略了基地墊擴大和限制牽制次數這些更直接的原因。

左右滑動查看

用圖像思考，視覺推理新巔峯

更引人注目的是，o3和o4-mini在視覺推理上全面超越前代，成爲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，標誌着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。

這種方法開啓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，標誌着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更加輕鬆的互動。

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，或者一張照片裏有多道物理題。

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，發現字是倒着的後，還將其旋轉過來，最終成功將其給認了出來。

上下滑動查看

上下滑動查看

上下滑動查看

上下滑動查看

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，爲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，發佈一系列應用程序，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，並將很快支持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，並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，他們也啓動一項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，拖進終端裏，接下來就可以把它交給Codex。

令人驚歎的是，你可以實際看到它在思考，還可以直接運行工具。

完成後，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着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”。

他們循着這條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。

相較於前代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，更加遊刃有餘，尤其是在需要視覺推理和多步驟工作流的複雜任務中。

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。

尤其是在臨牀和醫學領域，它的表現堪稱現象級。無論是診斷分析還是治療建議，彷彿出自頂尖專家的手筆。

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

參考資料：

https://openai.com/index/thinking-with-images/

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