OpenAI新发布的o3和o4-mini模型，在推理和工具使用能力上取得重大突破。o3作为旗舰推理引擎，在复杂任务处理上表现卓越，错误率显著降低；o4-mini则以高性价比著称，适合高吞吐量应用场景。两者均具备强大的多模态能力和工具调用能力，能主动结合视觉信息和网络搜索等手段解决问题。
距离OpenAI发布GPT-4.1仅仅过去两天，OpenAI在本周再次投下“重磅炸弹”——正式发布了其o系列的两个新模型：o3和 o4-mini。
这次发布的核心被OpenAI联合创始人Greg Brockman和首席研究官Mark Chen形容“向未来迈出的质的一步”。这两个新模型不仅在传统的编码、数学、科学等领域展现出“迄今为止最强”的推理能力，更重要的是，它们被训练成了能够主动、智能地使用和组合工具来解决复杂问题的“AI系统”，并且首次实现了“用图像思考”。
简单来说，你可以把o3和o4-mini想象成更聪明的“大脑”，它们不仅知识储备更丰富、逻辑更严谨，还学会了像人一样，遇到难题时知道去网上查资料（网页搜索）、用计算器（执行Python代码分析数据/文件）、看图表（视觉输入推理），甚至自己画图（生成图像）。这标志着ChatGPT向着一个能更独立自主完成任务的智能体方向迈出了关键一步。
新的o3、o4-mini及o4-mini-high将从即日起开始替换ChatGPT Plus、Pro和Team用户模型选择器中的o1、o3-mini和o3-mini-high。免费用户也有机会通过特定的“Think”选项体验o4-mini。开发者可通过API使用o3和o4-mini，OpenAI预计在几周内发布o3-pro。
那么，这两个新模型具体强在哪里？OpenAI官网和直播演示给出了详细解答。
具体到两个模型，o3 定位为OpenAI当前最强大、最前沿的推理引擎。它在编码、数学、科学和视觉感知等需要深度思考的领域表现尤为突出，是处理那些答案不明显、需要多方面综合分析的复杂查询的理想选择。
根据外部专家的严格评估，在处理困难的现实世界任务时，o3犯下的严重错误比其前代旗舰o1减少了20%，尤其在编程、商业咨询和创意构思方面进步显著。发布会上的例子令人印象深刻：o3不仅能分析物理学研究海报并推断出未明确说明的结果，还能将其与现有文献进行对比。
在另一个例子中，它甚至成功解决了构造一个特定性质的19次多项式这样的高难度数学问题，其推理过程和结果的准确性远超o1的表现。早期测试者也普遍反馈，o3作为“思考伙伴”时展现出的分析严谨性，以及在生物、数学、工程等领域生成和批判性评估新颖假设的能力，都令人印象深刻。在包括Codeforces、SWE-bench和MMMU等基准测试中创下了新的 SOTA。
o4-mini 则是一款针对速度和成本效益优化的“小钢炮”。虽然体量更小，但它在数学、编码和视觉任务上实现了“令人瞩目的性能”，堪称“以小博大”的典范。它在AIME 2024和2025数学竞赛基准上的表现甚至超越了更大的模型。专家评估也指出，即使在非STEM领域和数据科学方面，o4-mini也优于其前代o3-mini。得益于更高的效率，o4-mini能够支持比o3显著更高的使用限制，这使其非常适合需要进行大量推理、高吞吐量的应用场景。同时，OpenAI表示，o3和o4-mini在交互时也应该感觉更自然、更像对话，能更好地利用记忆和上下文信息，并提供带有网络来源引用的、更可验证的回应。
o3-mini 和 o4-mini的成本与性能对比
o1 和 o3的成本与性能对比
值得关注的是，智能化程度的提升并未必然带来成本的增加。OpenAI强调，在许多实际应用场景中，o3和o4-mini可能比它们的前代o1和o3-mini更高效，甚至更便宜。官网展示的AIME数学竞赛成本-性能曲线清晰地表明，o3在相同成本下性能优于o1，而o4-mini则优于o3-mini。这背后，是OpenAI在强化学习规模化上的持续投入——据透露，开发o3所使用的训练计算量是o1的十倍以上，验证了“更多思考时间=更好性能”的趋势同样适用于强化学习。
在定价方面，o3的每百万输入 token 收费为 10 美元，输出 token 为 40 美元；而 o4-mini 的价格仅为其十分之一左右，分别为 1.1 美元和 4.4 美元。
Agentic Tool Use是本次发布的亮点之一。过去的模型虽然也能调用工具，但往往是被动执行指令。而o3和o4-mini则被训练得能够思考何时以及如何使用工具来给出详尽、周到的答案。它们可以根据问题的复杂性，自主决定调用网页搜索获取最新信息、运行Python代码进行数据分析和预测、理解用户上传的图片内容，甚至生成图表或图像来辅助说明。
当用户提出“加州今年的夏季能源消耗与去年相比如何”这样的问题时，模型会自动搜索公共数据源，结合实时信息编写并执行分析代码，生成图表直观展示对比结果，并解释其中的关键影响因素，整个过程通常在一分钟内完成，体现出强大的搜索、推理与多模态协同能力。
直播中Greg Brockman还提到，o3在解决一个复杂任务时，曾被观察到连续调用了高达600次工具。
另一个突破是视觉理解能力。o3和o4-mini不再仅仅是“看到”图片，而是能将图像信息直接整合进它们的“思考链”中。用户可以上传白板照片、教科书图解、手绘草图，即使图片模糊、颠倒或质量不高，模型也能尝试理解。
更进一步，结合工具使用能力，模型可以在推理过程中动态地操作图片，比如旋转、缩放或转换图像，以更好地辅助分析。这使得它们在多模态基准测试中达到了新的SOTA（State-of-the-Art）水平，能够解决以前难以处理的视觉推理问题。例如，o3在MathVista（视觉数学推理）上准确率达到86.8%，在CharXiv-Reasoning（科学图表推理）上达到78.6%。
在演示中，OpenAI的Brandon McKenzie向o3展示了一张关于质子等矢标量荷的物理海报，并要求它找到研究结果并与最新文献对比，实际上该结果并未写在海报上。o3准确识别了相关图表，推理出计算方法，并联网查找最新估计值，指出原始数值需重整化才能与当前研究对齐，展现了其理解图像、推理及使用工具完成复杂科研任务的能力，节省了时间。
伴随着能力的飞跃，安全问题也得到了前所未有的重视。OpenAI表示，他们为o3和o4-mini彻底重建了安全训练数据集，特别加强了在生物风险、恶意软件生成、越狱企图等敏感领域的拒绝能力。此外，还部署了系统级防护，引入了一个基于人类可解释规范训练的推理LLM监控器，用于主动标记生物风险等前沿风险领域的危险提示，据称在内部红队测试中成功标记了约99%的相关对话。依据其最新的《准备框架》（Preparedness Framework），经过严格评估，o3和o4-mini在生物化学、网络安全和AI自我改进这三个关键风险领域的能力水平均被认定低于“高”风险阈值。
为了进一步赋能开发者社区，OpenAI还推出了一个名为Codex CLI的实验性新工具。这是一个轻量级的编码助手，可以直接在用户的终端命令行运行，旨在充分发挥o3、o4-mini等模型强大的推理能力，连接本地代码环境，甚至支持处理截图或草图进行多模态编程。Codex CLI已在GitHub上完全开源。
在直播演示中，OpenAI Agent研究团队成员Michael为了展示Codeex CLI的功能，截取了一张在 X上关于一个“图像到 ASCII 风格转换”工具的推文截图。他将这个截图直接拖入终端，通过Codeex并利用o4-mini的多模态推理能力，最终成功创建了一个简单的ASCII风格图像转换工具。
新的发布之后，行业内的初步反响并非全然是掌声。一些观点仍然认为这次发布更像是仍然是增量式进步，虽然迭代速度更快了，但并未带来颠覆性的飞跃或震撼性新功能，这或许反映了整个AI行业在激烈竞争下面临的巨大“快速交付”压力。
同时，开源社区中也存在一些失望的声音，指出尽管模型能力日新月异，但OpenAI仍未推出真正强大的开源模型，这让部分期待开放生态的开发者发出了“Wake me up when they release something open”（等他们发布开源模型再叫醒我）的调侃。
在发布的技术光环之外，市场层面的动态也值得关注。发布会前后，彭博社和CNBC等媒体报道称，OpenAI可能正就以高达30亿美元收购AI编程工具初创公司Windsurf（前身为Codeium）进行谈判。Windsurf的产品利用AI辅助开发者编写、解释代码，其部分功能已集成OpenAI模型。若收购属实，无疑将极大增强OpenAI在开发者工具和代码生成领域的布局。
Windsurf在第一时间提供o4-mini的免费体验
总体来看，OpenAI发布的o3和o4-mini，在Agentic能力和多模态深度融合方面继续迈近，这不仅仅是模型变得更聪明了，更是朝着能够真正理解并与我们复杂世界进行交互的“通用智能体”的一步。从发布节奏来看，OpenAI的再次提速，留给竞争对手和整个行业思考的时间，似乎又变少了。
作者｜周一笑
本文由人人都是产品经理作者【硅星人】，微信公众号：【硅星人Pro】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。