OpenAI深夜上线o3满血版和o4 mini - 依旧领先。

OpenAI深夜上线o3满血版和o4 mini 依旧领先。 OpenAI深夜上线o3满血版和o4 mini 依旧领先。 Modified April 17, 2025 这个case，可以完整的展现出，o3的能力，包括在中间各种放大查看细节，跟python结合进行分析以及加红框等等。 视觉推理让AI具备了第一种专业场景下的观察力。 而视觉推理这个能力的普及，意味着很多原本需要人眼判断的岗位，会被彻底改写。 安全监控不再是看到异常才报警，而是看到将要发生异常就提前预判。 设计审稿不再是人力盯图，而是AI先过一遍排版，再交给人来最后决策。 医生看片子，也不再只是看片，而是由AI先提出几个可能的诊断路径和可能遗漏点，再辅助手术或治疗。 这就像，当年推理模型对非推理模型的冲击。 而现在，又一次上演。 写在最后 除了o3和o4 mini之外，OpenAI这次，还开源了一个AI编程工具。 开 源地址在此： https://github.com/openai/codex 有兴趣的可以去试试。 这一次，看到OpenAI掏出来的模型。 我忽然想起很多年前，人类第一次拍到地球全貌时的震撼。 一颗蓝色的球，悬在黑色的宇宙中。 那张图，改变了很多人的世界观。 而今天，当AI第一次看懂图、思考图、把图当做世界的一部分去推理。 我们或许，也站在了某种第一次的起点。 它会改变什么？ 我现在，还不知道。 但是一定会有所改变的。 我坚信。 以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。 / 作者：卡兹克 / 投稿或爆料，请联系邮箱： wzglyay@virxact.com wzglyay@virxact.com 这个case，可以完整的展现出，o3的能力，包括在中间各种放大查看细节，跟python结合进行分析以及加红框等等。 视觉推理让AI具备了第一种专业场景下的观察力。 而视觉推理这个能力的普及，意味着很多原本需要人眼判断的岗位，会被彻底改写。 安全监控不再是看到异常才报警，而是看到将要发生异常就提前预判。 设计审稿不再是人力盯图，而是AI先过一遍排版，再交给人来最后决策。 医生看片子，也不再只是看片，而是由AI先提出几个可能的诊断路径和可能遗漏点，再辅助手术或治疗。 这就像，当年推理模型对非推理模型的冲击。 而现在，又一次上演。 写在最后 除了o3和o4 mini之外，OpenAI这次，还开源了一个AI编程工具。 开 源地址在此： https://github.com/openai/codex 有兴趣的可以去试试。 这一次，看到OpenAI掏出来的模型。 我忽然想起很多年前，人类第一次拍到地球全貌时的震撼。 一颗蓝色的球，悬在黑色的宇宙中。 那张图，改变了很多人的世界观。 而今天，当AI第一次看懂图、思考图、把图当做世界的一部分去推理。 我们或许，也站在了某种第一次的起点。 它会改变什么？ 我现在，还不知道。 但是一定会有所改变的。 我坚信。 以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。 / 作者：卡兹克 / 投稿或爆料，请联系邮箱： wzglyay@virxact.com wzglyay@virxact.com 🔗 原文链接： https://mp.weixin.qq.com/s/M 1il2a6... https://mp.weixin.qq.com/s/M 1il2a6... 原创 数字生命卡兹克 数字生命卡兹克2025年04月17日 06:08 浙江 晚上1点，OpenAI的直播如约而至。 其实在预告的时候，几乎已经等于明示了。 没有废话，今天发布的就是o3和o4 mini。 但是奥特曼这个老骗子，之前明明说o3不打算单独发布要融到GPT 5里面一起发，结果今天又发了。。。 ChatGPT Plus、Pro和Team用户从今天开始将在模型选择器中看到o3、o4 mini和o4 mini high，取代o1、o3 mini和o3 mini high。 我的已经变了，但是我最想要的o3 pro，还要几周才能提供，就很可惜，现在o1 pro被折叠到了更多模型里。 说实话纯粹的模型参数的进步，其实已经没啥可说的了，这次最让我觉得最大的进步点，是两个： 1. 满血版的o3终于可以使用工具了。 2. o3和o4 mini 是o系列中最新的视觉推理模型，第一次能够在思维链中思考图像了。 照例，我一个一个来说，尽可能给大家一个，非常全面完整的总结。 一.o3和o4 mini性能 其实没有特别多的意思，就跟现在数码圈一样，刷新了XX分数。 但是惯例，还是得放，而且坦白的讲，那个级别的模型已经不是我能触达他们智力上限的了。 首先是模型知识这块，我就一起放了。 这块大概解释一下，别看底下模型那么多，乱七八糟，各种变体。 但是从最早的o1到如今的o3和o4‑mini，核心差别就在于模型规模、推理能力和插件工具的接入。 最开始的o1只是一个基础的推理大模型，它在2024年AIME数学赛上只有 74.3%的准确率，在代码竞赛上的表现也相对平平。 紧接着推出的 o3‑mini，虽然参数量更小，但经过架构优化，在同一场 AIME上就跑出了87.3%的枫树，Codeforces的ELO也从1891提升到 2073。 而完整版的o3，其实是比o3‑mini更大的大兄弟，o3其实最明显的变化就是能接入工具了。 比如在AIME2024里，o3跑裸模没接工具时能达到91.6%，一旦允许它调用Python，准确率就飙到95.2%。 同理，o4‑mini相当于小一号的o4，经过更先进的架构优化，在不开工具的情况下就能拿到93.4%，接入Python后则冲到98.7%，已经快干到满分了。 如果把视野放宽到跨学科的PhD级科学题（GPQA Diamond）和专家级综合测试（Humanity’s Last Exam），无需额外工具时，o3在科学题上能以 83.3%稍微领先于o4‑mini的81.4%。 而面对专家综合考题，不带插件的o3准确率约为20.3%，添上Python、网络浏览甚至调用多种工具后能推到24.9%。 相比之下，o4‑mini从14.3%起步，借助插件也只能涨到 17.7%，仍不及 o3。 最有趣的是，DeepResearch在这个专家综合测试上，力压群雄，但是也能理解，毕竟人本身就是一个基于o3微调的专门干这活的模型。。。 多模态能力这块。 三个数据集。 MMMU：大学水平的视觉数学题库，题目里既有公式也有图形，考察模型把图像和数学符号结合起来解题的能力。 MathVista：专注视觉数学推理，题目多来源于几何图形、函数曲线、矩阵变换等图像，让模型从画面里看出数学规律。 CharXiv‑Reasoning：从科学论文（ArXiv）里抽取图表、流程图和示意图，要求模型根据科研图形回答问题，考验它的专业图表理解能力。 o1在大学级别的MMMU数据集上只能拿到77.6%，面对直观的MathVista 只有71.8%，CharXiv Reasoning更是跪在55.1%的及格边缘。 o3一上来就把MMMU拉到82.9%，MathVista直接冲到87.5%，CharXiv Reasoning也飙到75.4%。 这次是正二八经地把视觉推理任务推到了一个新高度。 代码能力这块。 SWE‑Lancer: IC SWE Diamond上真实的自由职业软件工程任务，模型以“高奖励”模式接单，看看最后能拿到的收益是多少钱。 所有模型都直接上了high模式。o3直接挣起飞了。 SWE‑Bench Verified：一个经人工标注验证的软件工程题库，包括常见算法、系统设计、API 调用等，o3和o4 mini同样遥遥领先。 Aider Polyglot Code Editing：多语言代码编辑基准，分“whole”（整体重写）和“diff”（补丁式修改）两类。 o3还是强的，o4mini反而比o3mini还差了点。 工具使用这块。 左边那个Scale MultiChallenge，多轮指令跟随，是一套用来测记性＋执行力的题。 评测流程一般是：系统给模型一段设定，随后用户分好几轮追加、修改、插入条件，最后再要求一次性产出答案，模型既要把之前的上下文全部保住，又得正确理解最新指令，才能拿高分。o3突出一些。 中间那个BrowseComp Agentic Browsing，就是浏览器里干活的能力。题目会给模型接入一个虚拟浏览器，要求它自己去搜索、点击、翻页、在网页里抓信息，再整合成回答。 常规的AI搜索就是4o+联网的能力，低的有点可怜，o3加了Python和联网之后，居然快能追上DeepReasearch，这是让我有点没想到的。 最右边那个叫 Tau‑bench 函数调用 。 它把模型放进有外部API可调用的场景里，看模型能否判断何时该把自然语言请求转成结构化函数调用，并把参数拼得毫无差错。常见两条赛道： Airline ，比如就是根据乘客需求，生成正确的航班预订JSON。 Retail ，比如就是 根据购物指令，调用商品查询或下单接口。 如果模型选错函数、漏填参数、或者格式写歪，都会直接扣分，所以这项测验主要检验模型的意图解析到结构化输出链路是否稳固。 这块，居然o3相比o1，几乎没有任何提升。 然后我在翻System卡的时候，还发现一个有趣的数据。 第一个指标是准确率，越高越好，第二个是幻觉率，越低越好。 o3因为在整体上，更敢下定论了，所以不会含糊其辞，也就是更准确了，但是幻觉率也飙升，直接干到了o1的两倍。。。 以上，就是o3和o4 mini的性能参数。 定价上。 o3比o1的定价便宜了三分之一，o4 mini相比o3 mini没涨价。 OpenAI终于干了回人事。。。 二.使用工具以及视觉推理 o1和o1 pro我之前有个巨大的痛点，就是这玩意不能使用工具，联网、代码解释器啥的，一个都不行。 然后只支持识图，连PDF文件，都传不上去，太傻了。 而这一次，o3和o4 mini直接拉满，不仅支持了OpenAI的所有工具，甚至还有了一个超级牛逼的新特性。 视觉推理。 单听这个很难理解，我直接给你们，看两个例子。 第一个，是一个非常经典的游戏，就是看图猜地点，但是不是那种没啥难度的，城市题，说实话，有建筑，太好猜了。 我们直接进一个专门玩这个的网站，叫图寻，参加每日挑战。 我的第一题，就是这个。 对，就这么个东西，让你猜这是中国的哪，在右下角的地图上打标，离终点越近，分越高。 我直接把这个扔给了o3，我们来看看，他的思考过程。 非常离谱的，自己去看图，把图片放大，一点一点思考，这个地方不对，哎换个地方我再放大看看。 以前模型的思维链，只有文字，而这次，这是大模型第一次，真正的把图片，也融入到了推理中。 我们再回过头来看看，刚才那道猜地题，它给出的答案。 虽然没有那么肯定，但是也给出了答案，北京门头沟、房山，109国道，妙峰山那一段。 我们来揭晓答案。 可能有些人对这个地点不熟悉，这个地方，叫北京，门头沟，109国道，妙峰山。 那一刻，我真的有点起鸡皮疙瘩了。 因为你会发现，AI开始 像人一样去看图、像人一样去思考了 。 以前你说AI懂图，懂什么？懂像素？懂特征？是的，它会提特征、会分类、会打标签，但它并不看图思考。 它是一个图像识别器，但不是一个图像思考者。 而今天，o3，是第一次让模型学会了看图思考，学会了视觉推理。 这个变化，堪称范式级别的跃迁。 我们甚至可以，把一个事件的图片发给他，让他来寻找，这是哪一天发生的事件。 还有一个很有趣的例子，虽然不算成功，但是我还是想分享给你看。 前天，《流浪地球3》正式开机了，官方也发了一张大合照。 也官宣了沈腾的加入。 然后，我试图，让o3，在里面找到吴京。。。 第一次，失败了。 因为那天太晒，吴京和沈腾都带了帽子，几乎就无法靠脸识别了。 于是，我又去找了一张图。 这一次，他成功了，当然，靠的是找帽子。