晚上1點，OpenAI的直播如約而至。
其實在預告的時候，幾乎已經(jīng)等于明示了。
沒有廢話，今天發(fā)布的就是o3和o4-mini。
但是奧特曼這個老騙子，之前明明說o3不打算單獨發(fā)布要融到GPT-5里面一起發(fā)，結(jié)果今天又發(fā)了。。。
ChatGPT Plus、Pro和Team用戶從今天開始將在模型選擇器中看到o3、o4-mini和o4-mini-high，取代o1、o3-mini和o3-mini-high。
我的已經(jīng)變了，但是我最想要的o3 pro，還要幾周才能提供，就很可惜，現(xiàn)在o1 pro被折疊到了更多模型里。
說實話純粹的模型參數(shù)的進步，其實已經(jīng)沒啥可說的了，這次最讓我覺得最大的進步點，是兩個：
1. 滿血版的o3終于可以使用工具了。
2.o3和o4-mini是o系列中最新的視覺推理模型，第一次能夠在思維鏈中思考圖像了。
照例，我一個一個來說，盡可能給大家一個，非常全面完整的總結(jié)。
一.o3和o4-mini性能
其實沒有特別多的意思，就跟現(xiàn)在數(shù)碼圈一樣，刷新了XX分數(shù)。
但是慣例，還是得放，而且坦白的講，那個級別的模型已經(jīng)不是我能觸達他們智力上限的了。
首先是模型知識這塊，我就一起放了。
這塊大概解釋一下，別看底下模型那么多，亂七八糟，各種變體。
但是從最早的o1到如今的o3和o4?mini，核心差別就在于模型規(guī)模、推理能力和插件工具的接入。
最開始的o1只是一個基礎的推理大模型，它在2024年AIME數(shù)學賽上只有 74.3%的準確率，在代碼競賽上的表現(xiàn)也相對平平。
緊接著推出的 o3?mini，雖然參數(shù)量更小，但經(jīng)過架構(gòu)優(yōu)化，在同一場 AIME上就跑出了87.3%的楓樹，Codeforces的ELO也從1891提升到 2073。
而完整版的o3，其實是比o3?mini更大的大兄弟，o3其實最明顯的變化就是能接入工具了。
比如在AIME2024里，o3跑裸模沒接工具時能達到91.6%，一旦允許它調(diào)用Python，準確率就飆到95.2%。
同理，o4?mini相當于小一號的o4，經(jīng)過更先進的架構(gòu)優(yōu)化，在不開工具的情況下就能拿到93.4%，接入Python后則沖到98.7%，已經(jīng)快干到滿分了。
如果把視野放寬到跨學科的PhD級科學題（GPQA Diamond）和專家級綜合測試（Humanity’s Last Exam），無需額外工具時，o3在科學題上能以 83.3%稍微領先于o4?mini的81.4%。
而面對專家綜合考題，不帶插件的o3準確率約為20.3%，添上Python、網(wǎng)絡瀏覽甚至調(diào)用多種工具后能推到24.9%。
相比之下，o4?mini從14.3%起步，借助插件也只能漲到 17.7%，仍不及 o3。
最有趣的是，DeepResearch在這個專家綜合測試上，力壓群雄，但是也能理解，畢竟人本身就是一個基于o3微調(diào)的專門干這活的模型。。。
多模態(tài)能力這塊。
三個數(shù)據(jù)集。
MMMU：大學水平的視覺數(shù)學題庫，題目里既有公式也有圖形，考察模型把圖像和數(shù)學符號結(jié)合起來解題的能力。
MathVista：專注視覺數(shù)學推理，題目多來源于幾何圖形、函數(shù)曲線、矩陣變換等圖像，讓模型從畫面里看出數(shù)學規(guī)律。
CharXiv?Reasoning：從科學論文（ArXiv）里抽取圖表、流程圖和示意圖，要求模型根據(jù)科研圖形回答問題，考驗它的專業(yè)圖表理解能力。
o1在大學級別的MMMU數(shù)據(jù)集上只能拿到77.6%，面對直觀的MathVista 只有71.8%，CharXiv-Reasoning更是跪在55.1%的及格邊緣。
o3一上來就把MMMU拉到82.9%，MathVista直接沖到87.5%，CharXiv-Reasoning也飆到75.4%。
這次是正二八經(jīng)地把視覺推理任務推到了一個新高度。
代碼能力這塊。
SWE?Lancer: IC SWE Diamond上真實的自由職業(yè)軟件工程任務，模型以“高獎勵”模式接單，看看最后能拿到的收益是多少錢。
所有模型都直接上了high模式。o3直接掙起飛了。
SWE?Bench Verified：一個經(jīng)人工標注驗證的軟件工程題庫，包括常見算法、系統(tǒng)設計、API 調(diào)用等，o3和o4-mini同樣遙遙領先。
Aider Polyglot Code Editing：多語言代碼編輯基準，分“whole”（整體重寫）和“diff”（補丁式修改）兩類。
o3還是強的，o4mini反而比o3mini還差了點。
工具使用這塊。
左邊那個Scale?MultiChallenge，多輪指令跟隨，是一套用來測記性＋執(zhí)行力的題。
評測流程一般是：系統(tǒng)給模型一段設定，隨后用戶分好幾輪追加、修改、插入條件，最后再要求一次性產(chǎn)出答案，模型既要把之前的上下文全部保住，又得正確理解最新指令，才能拿高分。o3突出一些。
中間那個BrowseComp?Agentic?Browsing，就是瀏覽器里干活的能力。題目會給模型接入一個虛擬瀏覽器，要求它自己去搜索、點擊、翻頁、在網(wǎng)頁里抓信息，再整合成回答。
常規(guī)的AI搜索就是4o+聯(lián)網(wǎng)的能力，低的有點可憐，o3加了Python和聯(lián)網(wǎng)之后，居然快能追上DeepReasearch，這是讓我有點沒想到的。
最右邊那個叫Tau?bench?函數(shù)調(diào)用。它把模型放進有外部API可調(diào)用的場景里，看模型能否判斷何時該把自然語言請求轉(zhuǎn)成結(jié)構(gòu)化函數(shù)調(diào)用，并把參數(shù)拼得毫無差錯。常見兩條賽道：
Airline?，比如就是根據(jù)乘客需求，生成正確的航班預訂JSON。
Retail?，比如就是?根據(jù)購物指令，調(diào)用商品查詢或下單接口。
如果模型選錯函數(shù)、漏填參數(shù)、或者格式寫歪，都會直接扣分，所以這項測驗主要檢驗模型的意圖解析到結(jié)構(gòu)化輸出鏈路是否穩(wěn)固。
這塊，居然o3相比o1，幾乎沒有任何提升。
然后我在翻System卡的時候，還發(fā)現(xiàn)一個有趣的數(shù)據(jù)。
第一個指標是準確率，越高越好，第二個是幻覺率，越低越好。
o3因為在整體上，更敢下定論了，所以不會含糊其辭，也就是更準確了，但是幻覺率也飆升，直接干到了o1的兩倍。。。
以上，就是o3和o4-mini的性能參數(shù)。
定價上。
o3比o1的定價便宜了三分之一，o4-mini相比o3-mini沒漲價。
OpenAI終于干了回人事。。。
二.使用工具以及視覺推理
o1和o1 pro我之前有個巨大的痛點，就是這玩意不能使用工具，聯(lián)網(wǎng)、代碼解釋器啥的，一個都不行。
然后只支持識圖，連PDF文件，都傳不上去，太傻了。
而這一次，o3和o4-mini直接拉滿，不僅支持了OpenAI的所有工具，甚至還有了一個超級牛逼的新特性。
視覺推理。
單聽這個很難理解，我直接給你們，看兩個例子。
第一個，是一個非常經(jīng)典的游戲，就是看圖猜地點，但是不是那種沒啥難度的，城市題，說實話，有建筑，太好猜了。
我們直接進一個專門玩這個的網(wǎng)站，叫圖尋，參加每日挑戰(zhàn)。
我的第一題，就是這個。
對，就這么個東西，讓你猜這是中國的哪，在右下角的地圖上打標，離終點越近，分越高。
我直接把這個扔給了o3，我們來看看，他的思考過程。
非常離譜的，自己去看圖，把圖片放大，一點一點思考，這個地方不對，哎換個地方我再放大看看。
以前模型的思維鏈，只有文字，而這次，這是大模型第一次，真正的把圖片，也融入到了推理中。
我們再回過頭來看看，剛才那道猜地題，它給出的答案。
雖然沒有那么肯定，但是也給出了答案，北京門頭溝、房山，109國道，妙峰山那一段。
我們來揭曉答案。
可能有些人對這個地點不熟悉，這個地方，叫北京，門頭溝，109國道，妙峰山。
那一刻，我真的有點起雞皮疙瘩了。
因為你會發(fā)現(xiàn)，AI開始像人一樣去看圖、像人一樣去思考了。
以前你說AI懂圖，懂什么？懂像素？懂特征？是的，它會提特征、會分類、會打標簽，但它并不看圖思考。
它是一個圖像識別器，但不是一個圖像思考者。
而今天，o3，是第一次讓模型學會了看圖思考，學會了視覺推理。
這個變化，堪稱范式級別的躍遷。
我們甚至可以，把一個事件的圖片發(fā)給他，讓他來尋找，這是哪一天發(fā)生的事件。
還有一個很有趣的例子，雖然不算成功，但是我還是想分享給你看。
前天，《流浪地球3》正式開機了，官方也發(fā)了一張大合照。
也官宣了沈騰的加入。
然后，我試圖，讓o3，在里面找到吳京。。。
第一次，失敗了。
因為那天太曬，吳京和沈騰都帶了帽子，幾乎就無法靠臉識別了。
于是，我又去找了一張圖。
這一次，他成功了，當然，靠的是找帽子。
這個case，可以完整的展現(xiàn)出，o3的能力，包括在中間各種放大查看細節(jié)，跟python結(jié)合進行分析以及加紅框等等。
視覺推理讓AI具備了第一種專業(yè)場景下的觀察力。
而視覺推理這個能力的普及，意味著很多原本需要人眼判斷的崗位，會被徹底改寫。
安全監(jiān)控不再是看到異常才報警，而是看到將要發(fā)生異常就提前預判。
設計審稿不再是人力盯圖，而是AI先過一遍排版，再交給人來最后決策。
醫(yī)生看片子，也不再只是看片，而是由AI先提出幾個可能的診斷路徑和可能遺漏點，再輔助手術(shù)或治療。
這就像，當年推理模型對非推理模型的沖擊。
而現(xiàn)在，又一次上演。
除了o3和o4-mini之外，OpenAI這次，還開源了一個AI編程工具。
開源地址在此：https://github.com/openai/codex
有興趣的可以去試試。
這一次，看到OpenAI掏出來的模型。
我忽然想起很多年前，人類第一次拍到地球全貌時的震撼。
一顆藍色的球，懸在黑色的宇宙中。
那張圖，改變了很多人的世界觀。
而今天，當AI第一次看懂圖、思考圖、把圖當做世界的一部分去推理。
我們或許，也站在了某種第一次的起點。
它會改變什么？
我現(xiàn)在，還不知道。
但是一定會有所改變的。
我堅信。
以上，既然看到這里了，如果覺得不錯，隨手點個贊、在看、轉(zhuǎn)發(fā)三連吧，如果想第一時間收到推送，也可以給我個星標?～謝謝你看我的文章，我們，下次再見。
>/ 作者：卡茲克
>/ 投稿或爆料，請聯(lián)系郵箱：wzglyay@virxact.com
熱門跟貼