12 月 20 日，OpenAI 在其为期 12 个工作日的线上新品发布活动最后一日宣布推出下一代模型 o3 及其精简版 o3-mini。o3 在多个方面显著超越了其前代 o1，在软件工程、竞赛数学和掌握人类博士级别的自然科学知识能力等方面表现出色。尤其在 ARC-AGI 评估中，o3 的成绩达到 75.7%至 87.5%，超过了人类水平的 85%门槛。

图片来源：视觉中国

o1 的下一代模型 o3

当地时间 12 月 20 日周五，在为期 12 个工作日的线上新品发布活动最后一日，OpenAI 宣布了“压轴大作”：o1 的下一代模型 o3，而且一开始就要推出两个版本，一个正式的 o3，还有一个相对较小的精简版 o3-mini。

OpenAI 的 CEO Sam Altman 在直播中提到，OpenAI 本次 12 日的活动第一天官宣了上线正式版 o1、所谓满血 o1。活动最后一天又有 o3 亮相，首尾都由介绍推理模型呼应，也算是一种精心设计。

逻辑上说，o1 的下一代应该命名为 o2，至于为什么新模型叫 o3，之前报道称，OpenAI 是为了避免和名为 O2 的英国电信服务商冲突。Altman 也确认了这点，说出于对 O2 的尊敬，并没有起同样的名字。

直播中，Altman 称 o3 是“一个非常、非常聪明的模型”。OpenAi 的评估结果也显示，无论在软件工程、编写代码，还是竞赛数学、掌握人类博士级别的自然科学知识能力方面，o3 都明显高出 o1 一筹。同时测试显示，o3 在 OpenAI 实现通用人工智能（AGI）这一奋斗目标上取得了突破，最高的测试成绩达到了类人水平。

今年 9 月，OpenAI 发布 o1 的预览版 o1 preview 时称，o1 是第一个具备真正通用推理能力的大模型，它的核心能力推理在测试化学、物理和生物学专业知识的基准 GPQA-diamond 上得到了充分体现。据 OpenAI 评估，o1 在该测试中全面超过了人类博士专家，准确率达到 78.3%，而人类专家的得分为 69.7%。

o3 的测评表现

根据 OpenAI8 月推出的 SWE-bench Verified 代码生成评估基准，在软件工程的能力测评中，o3 的准确度得分 71.7，即准确率 71.7%，远超得分 48.9 的 o1 和得分 41.3 的 o1 preview。也就是说，o3 的准确率比 o1 正式版高将近 47%，比 o1 预览版高将近 74%。

在竞争性编程网站 Codeforces 的竞争性代码测评中，o3 取得 2727 的 Elo 评分，o1 评分 1891，o1 preview 评分 1258。这个测评结果显示，竞争性代码方面，o3 的评分比 o1 正式版高 44%，是 o1 预览版的两倍多。

经过 2024 年 AIME 数学竞赛的题目测试，o3 的准确度得分为 96.7、即准确率 96.7%，大幅度超过了 o1 预览版的 56.7 和 o1 的 83.3%，仅错了一道题，相当于一名顶级数学家的水平。从竞赛数学的角度看，o3 的准确率比 o1 正式版高 15%，比 o1 预览版高近 71%。

以人类博士专家的测试考验，在测试化学、物理和生物学专业知识的基准 GPQA-diamond 上，o3 的准确度得分为 87.7，即准确率 87.7%，o1 和 o1 preview 分别得分 78.0 和 78.3。o3 的准确率比 o1 高将近 13%，比 o1 预览版高 12%。

o3 的推理能力

OpenAI 周五还展示了，o3 的推理能力已经更加接近实现 AGI。

以 100%为最高分的 ARC-AGI 评估结果显示，o1 的得分在 25%到 32%，而 o3 的最低成绩为 75.7%，最高成绩为 87.5%。从这个结果看，o3 的最佳成绩超过了标志着达到人类水平的门槛 85%。

创始 ARC-AGI 标准的前谷歌高级工程师、AI 研究员 François Chollet 表示，OpenAI 这些推理模型在 AGI 测试中取得进步是“稳健的”。

Chollet 周五在社交媒体 X 发帖，公布了同 OpenAI 合作进行的 ARC-AGI 测试结果，称“我们相信这代表了让 AI 适应新任务的重大突破。”

o3-mini 模型

与 o3 模型相比，o3-mini 模型在性能与成本平衡方面表现出色，能够以较低的成本提供高效的服务。

在编码评估方面，o3-mini 模型展现出了出色的性能提升。在 CodeForces 的评估中，随着思考时间的增加，o3-mini 模型的表现不断提升，逐渐超越了 o1-mini 模型。

在中位思考时间下，o3-mini 模型的性能甚至优于 o1 模型，能够以大约一个数量级的更低成本提供相当甚至更好的代码性能。这意味着开发人员可以在不增加过多成本的情况下，获得更高效的编程辅助，提高开发效率，降低开发成本。

在数学能力测试中，o3-mini 模型在 2024 年数据集上表现出色。o3-mini 低模型的性能与 o1-mini 相当，而 o3-mini 中位数模型则取得了比 o1 更好的性能。在处理诸如 GPQA 等困难数据集时，o3-mini 模型也能展现出一定的优势，实现了接近即时响应的效果。

此外，o3-mini 模型支持函数调用、结构化输出、开发者消息等一系列功能，与 O1 模型相当。在实际应用中，o3-mini 模型在大多数评估中实现了可比或更好的性能。

在现场演示中，o3-mini 模型的强大功能得到了直观展示。例如，在一项任务中，模型被要求使用 Python 实现一个代码生成器和执行器。当启动运行该 Python 脚本后，模型成功启动了本地服务器，并生成了包含文本框的用户界面。

用户在文本框中输入编码请求后，模型能够迅速将请求发送至 API，并自动解决任务，生成代码并保存至桌面，随后自动打开终端执行代码。整个过程复杂且涉及大量代码处理，但 o3-mini 模型在低推理努力模式下依然表现出了极快的处理效率。

发布计划

虽然 o3 的测评看上去表现惊艳，但 OpenAI 应该不会很快面向大众上线这款新的超级推理模型。

从 12 月 20 日开始，OpenAI 允许安全研究人员可以注册访问 o3 和 o3-mini 的预览。OpenAI 的一名发言人称，OpenAI 计划明年初正式发布这些新的 o3 模型。