剛剛，OpenAI 最強推理模型 o3 發布！首次能用圖片思考，奧特曼：天才水平 │ 附實測細節

「o3 達到或接近天才的水平。」

"at or near genius level" https://t.co/SbDl5BooK8

— Sam Altman (@sama) April 16, 2025

就在剛剛，OpenAI o3/o4 mini 模型終於正式推出。直播用時接近 30 分鐘，節奏快到飛起，資訊量卻滿滿當當。

o3 的發布歷程本身也極具反轉，今年 2 月，OpenAI 曾宣布擱置 o3 的獨立發布計劃，技術會打包塞進 GPT-5 里。到了 4 月初，深諳「飢餓營銷」 的 Altman 卻宣稱計劃有變：

o3 要先上，GPT-5 反而得等等，最快也得幾個月後。

劃重點，OpenAI o3/o4 mini 亮點如下：

• o 系列迄今最智能的模型，推理能力大幅提升，思考時間越長，效果越好。
• 首次將圖像直接融入思維鏈，用圖片「思考」，能直接調用工具處理圖片。
• 首次全面支持網頁搜索、文件分析、Python 代碼執行、視覺輸入深度推理和圖像生成等功能。
• 成本效率上優於前代，o3 在相同延遲和成本下性能更強。

在模型選擇器上取代 o1 等模型，ChatGPT Plus、Pro 和 Team 用戶即日起可使用 o3、o4-mini 和 o4-mini-high，企業與教育用戶一周後獲訪問權限。o3-pro 預計數周內發布。

免費用戶可通過「Think」模式使用 o4-mini，速率限制不變。

開發者則通過 Chat Completions API 和 Responses API 訪問，支持推理摘要和函數調用優化，即將支持網頁搜索等內置工具。

OpenAI 最強推理模型 o3 發布，GPT-5 還會遠嗎？

最新發布的 o3 和 o4-mini，是 o 系列迄今最智能的模型。

這兩款模型在推理能力、工具使用和多模態處理上表現出色，能夠更長時間思考複雜問題，首次全面支持網頁搜索、文件分析、Python 代碼執行、視覺輸入深度推理和圖像生成。

上至高級研究人員，下至普通用戶，新模型適用的場景也更廣泛。

OpenAI o3 和 o4-mini 可以調用 ChatGPT 中的工具，並通過 API 中的函數調用訪問自定義工具。

OpenAI Releases o3 and o4-mini, Says o3 Can 『Generate Novel Hypotheses』 | Beebom

通過強化學習，OpenAI 還訓練了這兩個模型如何使用工具 ——不僅知道如何用、何時用，還能以正確格式快速生成可靠答案，通常耗時不到一分鐘。

比如，當被問及加州夏季的能源使用量與去年相比如何時，能上網查詢公共能源消耗數據，寫 Python 代碼預測，生成圖表或圖片，並解釋預測依據，流暢串聯多種工具。

整個推理搜索過程也勝在靈活多變：模型可多次調用搜尋引擎，交叉驗證結果；若自有知識不足，還能進一步挖掘資訊、整合跨類型輸出。

在今天凌晨的直播環節，OpenAI 總裁 Greg Brockman 也罕見露面。OpenAI 演示者則展示了新模型如何結合用戶興趣，發現用戶可能感興趣但尚未知道的內容。

新模型啟用「記憶」功能後，能夠了解演示者的興趣愛好——跳傘和音樂。

不是簡單分別討論兩個愛好，新模型找到了一個將兩者聯繫起來的研究領域：科學家錄製健康珊瑚礁的聲音，然後用水下揚聲器回放這些錄音，這種聲音回放加速了新珊瑚和魚類的定居，能夠幫助珊瑚礁更快地癒合和再生。

內容創建過程中，模型還自動創建了一篇完整的博客文章，先是使用數據分析工具生成可視化，用 Canvas 創建博客文章，並附上提供了引用和來源。

作為最新的旗艦推理模型，o3 在編程、數學、科學和視覺感知領域創下新紀錄，例如 Codeforces、SWE-bench 和 MMMU 基準測試，視覺任務準確率達 87.5%，MathVista 也有 75.4%。

外部專家評估顯示，o3 在編程、商業諮詢和創意構思的重大錯誤率也比 o1 低 20%，在生物學、數學和工程領域能生成並批判性評估新穎假設，適合複雜查詢。

o4-mini 「體型更小」，優化了快速、低成本推理，在 AIME 2024 和 2025 數學測試中準確率分別為 92.7% 和 93.4%，在非 STEM 和數據科學任務中優於 o3-mini，效率高，能處理更多請求，也更適合需要快速響應的場景。

性能對比顯示，o3 和 o4-mini 在 AIME、Codeforces、GPQA 和 MMMU 等測試中全面超越前代，且指令遵循和響應質量也都顯著提升，結合記憶功能和歷史對話引用，回答更個性化、更相關。

在 OpenAI o3 的整個開發過程中，OpenAI 觀察到大規模強化學習呈現出與 GPT 系列預訓練中相同的 「計算量越大，性能越好 」的趨勢。

沿著這一路徑（強化學習），OpenAI 在訓練計算量和推理時間方面都提升了一個數量級，但仍然看到了明顯的性能提升，在跟 o1 相同的延遲和成本下，o3 的表現更強，而且給它更多時間思考，效果還能更好。

不忘畫餅的 OpenAI 也表示，o3 和 o4-mini 已經展現了 o 系列推理能力與 GPT 系列自然對話和工具使用的融合趨勢，而未來模型（GPT-5）預計將進一步整合這些優勢，為用戶提供更智能、實用的體驗。

能用圖片「思考」，就是偶爾會「想太多」

OpenAI o3 和 o4-mini 還是 o 系列最新的視覺推理模型。

怎麼理解視覺推理模型呢？據官方介紹，模型首次將圖像直接融入思維鏈，開啟了一種融合視覺與文本推理的全新問題解決方式。
配合 Python 數據分析、網路搜索和圖像生成等工具，還能應對更複雜的任務。

上傳白板照片、教科書圖表或手繪草圖，即便圖像糊了、反轉或質量不佳，模型也能準確解讀，並直接調用工具處理圖片，裁剪、旋轉、縮放等操作都不在話下。

重點是，這些功能是原生的，無需依賴單獨的專用模型。

博主 @danshipper 通過一張模糊的照片找到了一個嬰兒車品牌，從畫面上看，整個過程也搜索了數十個網頁。

我也上傳了武康大樓的圖片，o3 準確識別到了建築位於淮海路附近，不過，回答卻並沒有給出建築的名字。

當然，這種思考方式也不是沒有「缺陷」：

• 想得太多：模型可能過於依賴工具或圖像處理，導致推理思維鏈冗長。
• 看走眼：即使工具使用正確，視覺誤解也可能導致答案錯誤。
• 不穩定：同一問題多次嘗試，模型可能採用不同推理路徑，部分結果出錯。

Codex CLI 免費開源，OpenAI 真 open 了？

o3 和 o4-mini 在成本效率上優於前代，2025 年 AIME 測試中性價比完勝 o1 和 o3-mini，更智能也更划算。

o3 輸入每百萬 tokens（大約 75 萬個詞，長度超過《魔戒》系列）的費用為 10 美元，輸出每百萬 tokens 的費用為 40 美元。

o4-mini 輸入每百萬 tokens 的費用為 1.10 美元，輸出每百萬 tokens 的費用為 4.40 美元。

前不久，OpenAI 被曝安全測試時間從數月縮水到了幾天。而 o3 和 o4-mini 的系統卡則顯示，OpenAI 重建了安全訓練數據集，新增生物威脅、惡意軟體生成和越獄攻擊的拒絕提示。

根據最新的《準備框架》，o3 和 o4-mini 在生物與化學、網路安全及 AI 自我改進領域風險均低於「高」閾值。

Agent 雖遲但到，OpenAI 還推出了一款輕量級終端編碼 Agent——Codex CLI。

基於 o3 和 o4-mini 的推理能力，Codex CLI 支持多模態輸入，已在 GitHub 開源。此外 ，OpenAI 還啟動 100 萬美元計劃支持相關項目，接受 2.5 萬美元 API 積分資助申請。

OpenAI 這回是真 open 了。

據介紹，Codex 有兩種運行模式，一種是「建議模式」（默認）：提出命令供用戶確認，另一種是「全自動模式」：禁用網路訪問，讓 Agent 自主工作但保持安全。

直播演示中，OpenAI 研究員將螢幕截圖拖入終端，Codex CLI 通過多模態推理分析圖像，訪問用戶文件，最終生成 HTML 文件，打造了一個 ASCII 藝術生成器，並成功添加了網路攝像頭 API。

值得一提的是，據彭博社報道，OpenAI 擬以約 30 億美元收購 AI 編程工具公司 Windsurf，如果收購成功，這將成為 OpenAI 迄今為止規模最大的收購案。

報道指出，一旦交易達成，OpenAI 將能夠與 Anthropic、微軟旗下的 Github 和 Anysphere 等公司展開更直接的競爭，從而在快速增長的 AI 編程工具市場中占據一席之地。

「天才級」o3 引 Altman 轉發力挺，但這些題卻答不對…

一些 X 平台博主提前拿到了新模型的體驗資格，並分享了使用體驗。
體驗一周的 @danshipper 表示，o3 速度快、很有「行動力」、極其聰明，而且整體感覺非常棒。最喜歡的用法包括：

• 制定了一個簡潔的機器學習小課程，並每天早上提醒博主學習
• 通過一張模糊的照片找到了一個嬰兒車品牌
• 用超快的速度寫出了一個全新的 AI 基準測試程序
• 像 X 光一樣分析了 Annie Dillard 的一篇經典作品，挖掘出博主以前從未注意到的寫作技巧
• 查看會議記錄，敏銳捕捉博主試圖迴避衝突的情況
• 分析組織架構後，建議推出什麼樣的產品，以及短板在哪

醫學博士 @DeryaTR_ 認為 o3 很聰明，「當我向 o3 提出具有挑戰性的臨床或醫學問題時，它的回答聽起來就像是來自頂級醫生：準確、全面、基於證據且充滿信心，表現得非常專業，完全符合我們對這個領域專家的期望。」

Altman 也轉發引用了他的說法「o3 達到或接近天才的水平」。

在 @DeryaTR_ 看來，o4 mini 則稍微「低調」一些，回答細節上沒有 o3 那麼詳細，可能更簡潔、流暢，給人一種優雅的感覺，甚至可能更具「情感」。

當然，我們也上手測試了一些問題。

從前有一位老鐘錶匠，為一個教堂裝一隻大鐘。他年老眼花，把長短針裝配錯了，短針走的速度反而是長針的12倍。裝配的時候是上午 6 點，他把短針指在「6」上，長針指在「12」上。老鐘錶匠裝好就回家去了。人們看這鐘一會兒 7 點，過了不一會兒就8點了，都很奇怪，立刻去找老鐘錶匠。等老鐘錶匠趕到，已經是下午 7 點多鐘。他掏出懷表來一對，鍾準確無誤，疑心人們有意捉弄他，一生氣就回去了。這鐘還是 8 點、9 點地跑，人們再去找鐘錶匠。老鐘錶匠第二天早晨 8 點多趕來用表一對，仍舊準確無誤。請你想一想，老鐘錶匠第一次對表的時候是 7 點幾分？第二次對表又是 8 點幾分？

▲o3 回答錯誤

U2 合唱團在 17 分鐘 內得趕到演唱會場，途中必須跨過一座橋，四個人從橋的同一端出發，你得幫助他們到達另一端，天色很暗，而他們只有一隻手電筒。一次同時最多可以有兩人一起 過橋，而過橋的時候必須持有手電筒，所以就得有人把手電筒帶來帶去，來回橋兩端。手電筒是不能用丟的方式來傳遞的。四個人的步行速度各不同，若兩人同行則 以較慢者的速度為準。Bono 需花 1 分鐘過橋，Edge 需花 2 分鐘過橋，Adam 需花5分鐘過橋，Larry 需花 10 分鐘過橋。他們要如何在 17 分鐘內過橋呢？

▲o4 mini 回答正確

如下實測，雖然 o3 給出了完整的推理步驟，但回答卻也再次出錯。

▲o3 回答錯誤

贊助商廣告

在 OpenAI 上新之際，細心的網友也發現新款 Gemini 將於下周（4 月 22 日）發布。

DeepSeek R2、Anthropic 的 Claude 4 以及馬斯克劇透的「GroK-3.5」 也預計將在本月陸續發布。

即便往前看，4 月也是 AI 最為「內卷」的一個月，很大程度上決定未來一年 AI 行業的發展走向，而更強的模型、更低的成本、更廣的場景也將給我們帶來更智能、更普惠的未來。

附 OpenAI 團隊在 X 平台上舉辦的 AMA 總結：

Summary of the AMA hosted by the OpenAI team on X today (April 16, 2025)

Releases and Roadmap

- Reinforcement fine-tuning will soon be generally available (GA) for publicly fine-tuning or reinforcement learning (RL) with reasoning models
- OpenAI plans to release a great open… pic.twitter.com/D8iw9McTqp

— Tibor Blaho (@btibor91) April 16, 2025

• OpenAI 計劃在未來幾個月發布一個出色的開放模型，新的圖像生成功能將很快在 API 中推出。
• o3 現已在 API 中提供，而更先進的 o3-pro 模型正在開發中，預計很快發布。
• 強化學習微調（Reinforcement fine-tuning）很快會全面開放，允許公開進行微調或使用推理模型進行強化學習（RL）。
• 在 Responses API 中，開發者消息與系統消息之間的切換是自動處理的；將系統消息發送給 o3 或將開發者消息發送給 GPT-4.1 會自動轉換。
• 目前，ChatCompletions 或 Responses API 不支持託管工具
• 在 o3 和 o4-mini 的推理階段，Web 搜索、文件搜索和代碼解釋器等工具會被積極使用；這些工具目前在ChatGPT中已被支持，但尚未在 API 中支持——預計很快會添加支持。
• OpenAI 正在積極開發 Agents SDK 中的線程支持，以改善對話歷史和記憶。
• OpenAI認為低代碼平台在 Agents SDK 中的建議很有趣，並歡迎開發者就最有用的功能提供反饋。
• Codex CLI 包括多個文檔化的審批模式，允許用戶為每個操作或會話選擇模式。
• Codex CLI 並不是用來替代 Cursor、Windsurf 等 IDE 工具；它的設計目的是在用戶使用主要 IDE 時運行後台任務。
• 比較 Codex 的編碼能力和深度研究能力取決於選擇的模型（o3 或 o4-mini）；Codex 特別利用函數調用，直接在用戶電腦上執行命令。
• 新模型主要訓練於通用瀏覽、Python/代碼執行工具和對開發者有用的用戶定義工具。
• 雖然 GPT-4.5 更強大，但它更慢且計算密集，GPT-4.1 為開發者提供了一個更快且更具成本效益的選擇。
• GPT-4.1 的一些改進已經整合到 ChatGPT 中，更多改進將在未來推出。
• OpenAI 承認「4o」和「o4」等模型名稱之間存在命名混淆，並計劃很快簡化模型命名。