o3-mini发布！奥特曼：在开源上OpenAI一直站在历史错误的一边

 Datawhale分享 

OpenAI：o3，编辑：Datawhale

OpenAI o3-mini 官宣发布！

此次 o3-mini 包含 low、medium 和 high 三个版本。

OpenAI 表示，今天发布的 o3-mini 是其推理模型系列中最新、最具成本效益的模型，已上线 ChatGPT 和 API 。

目前，ChatGPT 免费版用户可以通过选择「Search+Reason」来免费试用 o3-mini，具体用户权限如下：

这是 OpenAI 首次向 ChatGPT 的免费用户提供推理模型。

同时，o3-mini 的价格这次算是彻底给打下来了——比满血版o1便宜了92.7%，附上和 DeepSeek- R1 的价格对比。

不过 o3-mini 目前还不支持视觉功能，开发者仍然需要使用 OpenAI o1 进行视觉推理任务。

o3-mini 发布后，OpenAI 团队公开答疑

o3-mini 发布后，OpenAI CEO Sam Altman 带领首席研究员 Mark Chen、首席产品官 Kevin Weil、工程副总裁 Srinivas Narayanan、API 研究主管 Michelle Pokrass，和 o3-mini 团队研究主管 Hongyu Ren，一起参与了 Reddit AMA 讨论会。

问题1：我们能看到所有的思维 tokens 吗？

回答（Sam Altman）：是的，我们将很快展示一个更有帮助和详细的版本。感谢 R1 提醒我们。

推理模型使用了「将任务分解成更小步骤的思维链」的推理方法。

OpenAI 的 o1 模型和 o3 模型没有向用户显示任何中间的思考步骤，而是只是显示最终的答案。

DeepSeek 的 R1 模型向用户展示了每个步骤。

问题2：你们会考虑发布一些模型权重和发表一些研究吗？

回答（Sam Altman）：是的，我们正在讨论。我个人认为我们过去在开源方面一直站在历史错误的一边，需要想出一种不同的开源策略。不过不是所有 OpenAI 的人都同意这个观点，这也不是我们目前优先级最高的事项。

问题3：完整版 o3 什么时候发布？

回答（Sam Altman）：我估计超过几周，少于几个月。

问题4：语音模式会更新吗？这是 GPT-5o 的一个重点吗？GPT-5o 的大致时间表是什么？

回答（Sam Altman）：语音模式更新即将到来！我想我们会直接叫它 GPT-5 而不是 GPT-5o。目前还没有时间表。

问题5：Stargate 的成功对 OpenAI 的未来有多重要？

回答（Kevin Weil）：非常重要。我们看到的一切都表明，计算能力越多，我们就能建立更好的模型，并制造更有价值的产品。我们现在同时在两个维度上扩展模型——更大的预训练和更多的强化学习/strawberry 训练，这两者都需要计算资源。为数亿用户提供服务，并且随着我们转向更多为您持续工作的智能产品，这些也都需要计算资源。因此可以将 Stargate 视为我们的工厂，将算力/GPU 转化为令人惊叹的产品。

o3-mini 官方性能报告

最后，附上 o3-mini 的性能报告（此处由机器之心编译）：

快速、强大且针对 STEM 推理优化

与其前身 OpenAI o1 类似，OpenAI o3-mini 针对 STEM 推理进行了优化。o3-mini-medium 在数学、编程和科学领域的表现与 o1 相当，同时响应速度更快。专家测试人员的评估显示，o3-mini 产生的答案比 o1-mini 更准确、更清晰，推理能力更强。测试人员在 56% 的情况下更偏好 o3-mini 的响应，并观察到 o3-mini 在困难的现实问题上重大错误减少了 39%。o3-mini-medium 在一些最具挑战性的推理和智能评估（包括 AIME 和 GPQA）上与 o1 的表现相当。

竞赛数学（AIME 2024）：

竞赛数学：o3-mini-low 与 o1-mini 的表现相当。o3-mini-medium 达到与 o1 相当的表现。o3-mini-high 超过了 o1-mini 和  o1，上图中灰色阴影区域为 64 个样本的多数投票（共识）。

博士级科学问题（GPQA Diamond）：

博士极科学问题：o3-mini-low 的表现优于 o1-mini。o3-mini-high  的表现与 o1 相当，在博士级生物学、化学和物理问题上都显示出显著进步。

研究级数学（FrontierMath）：

研究级数学：o3-mini-high 在 FrontierMath 上的表现优于其前代产品。使用 Python 工具时，o3-mini-high 能够在首次尝试时解决超过 32% 的问题，包括超过 28% 的具有挑战性的（T3）问题。

竞赛编程（Codeforces）：

在 Codeforces 编程中， o3-mini 随着推理努力级别的提高获得了越来越高的 Elo 分数，均优于 o1-mini。o3-mini-medium 达到了与 o1 相当的表现。

软件工程（SWE-bench Verified）：

软件工程：o3-mini 是 OpenAI 发布的在 SWEbench-verified 上表现最好的模型。o3-mini-high 使用开源 Agentless 框架可达到 39% 的准确率，使用内部工具可达到 61% 的准确率。

LiveBench 编码：

LiveBench 编码：即便是 o3-mini-medium 也超过了 o1-high，突显了其在编码任务中的效率。o3-mini-high 进一步扩大了领先优势，在关键指标上取得了显著更强的表现。

普通知识问题：

普通知识问题：o3-mini 在各个一般性知识领域的评估中都优于 o1-mini。

人类偏好评估：

人类偏好评估：外部专家测试人员的评估显示， o3-mini 产生的答案比 o1-mini 更准确、更清晰，推理能力更强，特别是在 STEM 领域。测试人员在 56% 的情况下更偏好 o3-mini 的响应，并观察到 o3-mini 在困难的现实问题上重大错误减少了 39%。

模型速度和性能

o3-mini 在保持与 OpenAI o1 相当的智能水平的同时，提供了更快的性能和更高的效率。除了上述 STEM 评估外，o3-mini-medium 的其他数学和事实性评估中也展现出优越的结果。在 A/B 测试中，o3-mini 的响应速度比 o1-mini 快 24%，平均响应时间为 7.7 秒，而 o1-mini 为 10.16 秒。

延迟：o3-mini 的首个 token 生成时间平均比 o1-mini 快 2500 毫秒。

安全

OpenAI 教导 o3-mini 安全响应的主要技术之一是审慎对齐（deliberative alignment），这种对齐方式训练模型在回答用户提示之前，先对人工编写的安全规范进行充分的思考和推理。与 OpenAI o1 类似，研究人员发现 o3-mini 在具有挑战性的安全性和越狱评估上显著超越了 GPT-4o。在部署之前，OpenAI 使用了与 o1 相同的准备方法、外部红队测试和安全性评估来仔细评估 o3-mini 的安全风险。

违规内容评估结果

越狱评估结果

未来展望

OpenAI o3-mini 的发布标志着 OpenAI 在推进高性价比智能方面又迈出了一步。通过优化 STEM 领域的推理能力，同时保持低成本，OpenAI 正在使高质量 AI 变得更加容易获取。该模型延续了其降低智能成本的记录 —— 自 GPT-4 推出以来，每个 token 的定价降低了 95%—— 同时保持顶级推理能力。随着 AI 应用的扩展，OpenAI 仍然致力于在前沿领域引领，构建即使在大规模部署和使用的情况下，也能保持智能、效率与安全平衡的模型。

参考资料：

1.https://www.reddit.com/r/OpenAI/comments/1ieonxv/ama_with_openais_sam_altman_mark_chen_kevin_weil/

2.https://openai.com/index/openai-o3-mini/

3.https://mp.weixin.qq.com/s/PC6DbfxFlrTm1ZxaULLY6w

4.https://mp.weixin.qq.com/s/N0ElAF0kXQVcweOuDtohVg