新智元 2025-02-01 08:55 河南
OpenAI 首次向 ChatGPT 的免费用户提供推理模型。
扫码加 FP 企微，暗号 DeepSeek 进群
文章转载自「新智元」。
o3-mini，真的来了。
刚刚，OpenAI官宣o3-mini和o3-mini-high两大版本正式在ChatGPT上线。
诚如奥特曼所言，免费用户直接打开「Reason」即可体验，Plus用户每天会有更多用量，具体来说：
- ChatGPT免费版：首次体验推理模型
- ChatGPT Plus和团队版：每天150次对话限制
- ChatGPT Pro：无限制访问
- ChatGPT Enterprise和ChatGPT Edu：将在一周内可用
- API：向3-5级开发者开放（初期暂不支持图像分析功能）
- 输入1.10美元/百万token、输出4.40美元/百万token
感谢DeepSeek，o3-mini的价格这次算是彻底给打下来了——比OpenAI o1-mini便宜63%，比满血版o1便宜93%。（但仍是GPT-4o mini的7倍左右）
订阅用户已经在第一时间「告别」了o1-mini，还没来得及说再见
OpenAI表示，o3-mini的发布是在追求高效能智能技术道路上的又一重要里程碑。
通过优化科学（Science）、技术（Technology）、工程（Engineering）和数学（Mathematics）领域的推理能力，同时保持较低的成本，让高质量AI技术变得更加平易近人。
值得一提的是，在ChatGPT中，o3-mini采用的是「中等推理强度」，在速度和准确性之间取得平衡。所有付费用户还可以在模型选择器中选择o3-mini-high——响应时间略长但智能水平更高的版本。
01
集成搜索，两种版本可选
去年12月，十二天直播最后一弹，o3系列首次亮相便惊艳了所有人。相较于上一代o1模型，o3在ARC-AGI等多项基准测试中刷新SOTA。
与o1-mini一样，o3-mini是最具性价比的推理模型，可谓是突破性能边界的「小巨人」。
在STEM领域，尤其是科学、数学和编程等方面，o3-mini性能表现卓越超越o1，并继承了上一代低成本和低延迟的优点。
对于开发者来说，o3-mini简直就是一份「大礼包」，它首次在小型推理模型中支持：包括函数调用、结构化输出和开发者消息、流式传输功能。
开发者可以根据需求选择低、中、高三种推理强度，让o3-mini在处理复杂问题时进行「深度思考」，灵活平衡速度和准确性。
遗憾地是，o3-mini暂不支持视觉功能。
如前所述，从今天起，o3-mini将通过Chat Completions API，Assistants API和Batch API向3-5级指定开发者开放。
同时，o3-mini还整合了搜索功能，能够提供带有相关网络来源链接最新响应。
一起来看看这款「小而美」的o3-mini有什么过人之处。
02
专为STEM领域推理优化
与其前身OpenAI o1类似，OpenAI o3-mini专门针对STEM推理进行了优化。
采用了中等推理强度的o3-mini，在数学、编程和科学领域的表现与o1不相上下，且响应速度更快。
报告地址：https://cdn.openai.com/o3-mini-system-card.pdf
专家测试评估显示，o3-mini相比o1-mini能够生成更准确、更清晰的答案，推理能力更强。
在测试中，o3-mini的响应结果获得了56%的偏好度，在处理复杂现实问题时的重大错误率更是降低了39%。
在中等推理强度设置下，o3-mini在最具挑战性的推理和智能评估项目（包括AIME和GPQA）中，均达到了与o1相当的水平。
数学竞赛（AIME 2024）
在低推理强度下，o3-mini达到了与o1-mini相当的水平；在中等推理强度下，其表现可与o1媲美；而在高推理强度下，o3-mini的表现更是超越了o1-mini和o1。
博士级科学问题（GPQA Diamond）
研究级数学（FrontierMath）
在高推理强度模式下，o3-mini在FrontierMath中的表现优于前代产品。当配合Python工具使用时，高推理强度的o3-mini能够一次性解决超过32%的测试题目，其中包括28%以上的T3级问题。
编程竞赛（Codeforces）
随着推理强度的提升，OpenAI o3-mini的Elo得分不断提高，各层级表现均优于o1-mini。在中等推理强度下，其表现已能与o1相媲美。
软件工程（SWE-bench Verified）
o3-mini在高推理强度模式下，使用开源Agentless框架能达到39%的成功率，使用内部工具框架则可达到61%的成功率。
LiveBench编码
人类偏好评估
外部专家评测结果显示，o3-mini较o1-mini表现出更强的推理能力，能够生成更准确、更清晰的答案，尤其是在STEM领域中。在对比测试中，o3-mini获得了56%的用户偏好度，且在处理复杂现实问题时的重大错误率降低了39%。
在技术报告中，o3-mini编程性能超越了GPT-4o和o1-preview，与o1不相上下。
03
模型的速度与性能
o3-mini在保持与o1相当智能水平的同时，实现了更快的运行速度和更高的计算效率。
除前文提到的STEM评估外，在中等推理强度下，o3-mini在其他数学能力和事实准确性测试中均取得了显著优势。
对比测试（A/B Testing）结果显示，o3-mini的平均响应时间为7.7秒，较o1-mini的10.16秒提升了24%。
o1-mini和o3-mini（medium）的延迟对比
04
安全评估
OpenAI在训练o3-mini确保其安全响应，采用的关键技术之一是审慎对齐（deliberative alignment）。
这项技术使模型能够在响应用户提示词前，对人工制定的安全规范进行全面推理。
与o1相似，o3-mini在高难度安全性测试和越狱评估中，明显优于GPT-4o。
在正式部署前，研究人员采用与o1相同的准备方法，结合外部红队测试和安全性评估，对o3-mini的安全风险进行了全面评估。
禁止内容评估
越狱评估
05
OpenAI急了
去年年底放出o3和o3-mini的预览时，CEO奥特曼就曾表示，o3-mini将会在1月份发布。
随后，奥特曼又在1月17日预告称，o3-mini会在几周内发布。
现在，o3-mini果然如约而至（卡在ddl最后一天），但外面的世界已经是天差地别。
面对正在快速崛起的DeepSeek-R1，o3-mini存在着一个关键问题——「不开源」。
这也就意味着，它无法离线使用、无法下载代码，也无法以相同的程度进行自定义。对于很多应用过来说，它的吸引力相对于R1明显大打折扣。
在上下文窗口方面，DeepSeek-R1约为128K/130K token，而o3-mini略胜一筹达到了200K token。其中，每个输出最多100K token，跟满血版o1相同。
在价格方面，相比于输入/输出token分别为0.14/0.55美元的DeepSeek-R1，o3-mini依然贵出了天际。
但作为一款美国模型，o3-mini在身份上无疑占尽了好处：应该会是欧美很多企业的首选。
奥特曼亲自率队
这一次，最强最新的o3-mini模型训练，奥特曼本尊下场亲自率队。研究项目主管分别是Carpus Chang和Kristen Ying。
接下来，如果说OpenAI还藏在什么杀手锏，那就是满血版的o3了。根据12月时的说法，它将在「此后不久」发布。
参考资料：
https://openai.com/index/openai-o3-mini/
https://openai.com/index/o3-mini-system-card/
更多阅读
Anthropic创始人发声：DeepSeek事件前所未有，美国要继续加强出口管制
DeepSeek创始人专访：中国的AI不可能永远跟随，需要有人站到技术的前沿
创造历史！DeepSeek登顶AppStore，开源竞相复现、Meta 很焦虑
转载原创文章请添加微信：founderparker
