OpenAI 王炸 o3/o4-mini，打通自主工具+视觉思考。

🍹 Insight Daily 🪺

Aitrainee | 公众号：AI进修生

Hi，这里是Aitrainee，欢迎阅读本期新文章。

OpenAI 正式官宣 o3 & o4-mini：迄今最强模型，AI 终于学会“十八般武艺”全家桶了。

之前传闻的 OpenAI 新“推理模型”正式落地，o3 和 o4-mini 来了，官方自称“迄今为止最聪明、最强大”。直接拉高了 ChatGPT 的能力上限。

这次最大的杀手锏：首次实现 Agent 主动调用并组合 ChatGPT 内部所有工具 —— 网页搜索、Python 数据分析、深度视觉理解、甚至图像生成，全都能串起来用。

关键是，这些模型被训练得懂得何时、如何使用工具，能在通常一分钟内，针对复杂问题给出细致、周到的答案，格式还很对路。

这是向更自主的 Agentic ChatGPT 迈出的一大步，能独立帮你干活了。

有啥不一样？

• o3 (全能打手): OpenAI 最强的推理模型，在编码、数学、科学、视觉感知等领域全面突破，刷新了 Codeforces, SWE-bench (还不用专门定制脚手架), MMMU 等多个榜单的 SOTA。

  特别擅长处理需要多方面分析、答案不明显的复杂查询，视觉分析能力尤其突出 (图像、图表)。

  外部专家评估显示，在困难的真实世界任务中，o3 比 o1 少犯 20% 的严重错误，尤其在编程、商业咨询、创意构思方面表现出色。

  早期测试者称赞它作为“思考伙伴”的分析严谨性，以及生成和批判性评估新假设的能力 (尤其在生物、数学、工程领域)。

• o4-mini (性价比之王): 更小巧的模型，专为速度和成本优化。性能远超其规模和成本应有的水平，特别是在数学、编码和视觉任务上。

  在 AIME 2024 和 2025 数学竞赛基准上表现最佳。专家评估也显示，它在非 STEM 任务和数据科学等领域也优于前代 o3-mini。因为效率高，o4-mini 的调用额度比 o3 高得多，适合需要大量推理的高并发场景。

外部专家还评价说，这两款模型指令遵循能力更强，回答更有用、更可验证 (部分归功于网页搜索的引入)。而且，它们对话起来感觉更自然，会参考记忆和之前的对话，让回复更个性化、更贴切。

 直接上数据看实力 

• AIME 竞赛数学: o4-mini (92.7%) > o3 (91.6%) > o3-mini (87.3%) > o1 (74.3%) (不使用工具)

• Codeforces 竞赛编程: o4-mini (ELO 2719) ≈ o3 (ELO 2706) >> o3-mini (2073) > o1 (1891) (带终端)

• GPQA Diamond (博士级科学问题): o3 (83.3%) > o4-mini (81.4%) > o1 (78.0%) > o3-mini (77.0%) (不使用工具)

• Humanity’s Last Exam (跨学科专家级问题): o3 (带工具 24.9%) > o3 (无工具 20.3%) > o4-mini (带工具 17.7%) > o4-mini (无工具 14.28%)

• MMMU (大学级视觉解题): o3 (82.9%) > o4-mini (81.6%) > o1 (77.6%)

• MathVista (视觉数学推理): o3 (86.8%) > o4-mini (84.3%) > o1 (71.8%)

• SWE-Bench Verified (软件工程):