「o3 达到或接近天才的水平。」
就在刚刚，OpenAI o3/o4 mini 模型终于正式推出。直播用时接近 30 分钟，节奏快到飞起，信息量却满满当当。
o3 的发布历程本身也极具反转，今年 2 月，OpenAI 曾宣布搁置 o3 的独立发布计划，技术会打包塞进 GPT-5 里。到了 4 月初，深谙「饥饿营销」 的 Altman 却宣称计划有变：
o3 要先上，GPT-5 反而得等等，最快也得几个月后。
划重点，OpenAI o3/o4 mini 亮点如下：
- o 系列迄今最智能的模型，推理能力大幅提升，思考时间越长，效果越好。首次将图像直接融入思维链，用图片「思考」，能直接调用工具处理图片。首次全面支持网页搜索、文件分析、Python 代码执行、视觉输入深度推理和图像生成等功能。成本效率上优于前代，o3 在相同延迟和成本下性能更强。
在模型选择器上取代 o1 等模型，ChatGPT Plus、Pro 和 Team 用户即日起可使用 o3、o4-mini 和 o4-mini-high，企业与教育用户一周后获访问权限。o3-pro 预计数周内发布。
免费用户可通过「Think」模式使用 o4-mini，速率限制不变。
开发者则通过 Chat Completions API 和 Responses API 访问，支持推理摘要和函数调用优化，即将支持网页搜索等内置工具。
OpenAI 最强推理模型 o3 发布，GPT-5 还会远吗？
最新发布的 o3 和 o4-mini，是 o 系列迄今最智能的模型。
这两款模型在推理能力、工具使用和多模态处理上表现出色，能够更长时间思考复杂问题，首次全面支持网页搜索、文件分析、Python 代码执行、视觉输入深度推理和图像生成。
上至高级研究人员，下至普通用户，新模型适用的场景也更广泛。
OpenAI o3 和 o4-mini 可以调用 ChatGPT 中的工具，并通过 API 中的函数调用访问自定义工具。
OpenAI Releases o3 and o4-mini, Says o3 Can ‘Generate Novel Hypotheses’ | Beebom
通过强化学习，OpenAI 还训练了这两个模型如何使用工具 ——不仅知道如何用、何时用，还能以正确格式快速生成可靠答案，通常耗时不到一分钟。
比如，当被问及加州夏季的能源使用量与去年相比如何时，能上网查询公共能源消耗数据，写 Python 代码预测，生成图表或图片，并解释预测依据，流畅串联多种工具。
整个推理搜索过程也胜在灵活多变：模型可多次调用搜索引擎，交叉验证结果；若自有知识不足，还能进一步挖掘信息、整合跨类型输出。
在今天凌晨的直播环节，OpenAI 总裁 Greg Brockman 也罕见露面。OpenAI 演示者则展示了新模型如何结合用户兴趣，发现用户可能感兴趣但尚未知道的内容。
新模型启用「记忆」功能后，能够了解演示者的兴趣爱好——跳伞和音乐。
不是简单分别讨论两个爱好，新模型找到了一个将两者联系起来的研究领域：科学家录制健康珊瑚礁的声音，然后用水下扬声器回放这些录音，这种声音回放加速了新珊瑚和鱼类的定居，能够帮助珊瑚礁更快地愈合和再生。
内容创建过程中，模型还自动创建了一篇完整的博客文章，先是使用数据分析工具生成可视化，用 Canvas 创建博客文章，并附上提供了引用和来源。
作为最新的旗舰推理模型，o3 在编程、数学、科学和视觉感知领域创下新纪录，例如 Codeforces、SWE-bench 和 MMMU 基准测试，视觉任务准确率达 87.5%，MathVista 也有 75.4%。
外部专家评估显示，o3 在编程、商业咨询和创意构思的重大错误率也比 o1 低 20%，在生物学、数学和工程领域能生成并批判性评估新颖假设，适合复杂查询。
o4-mini 「体型更小」，优化了快速、低成本推理，在 AIME 2024 和 2025 数学测试中准确率分别为 92.7% 和 93.4%，在非 STEM 和数据科学任务中优于 o3-mini，效率高，能处理更多请求，也更适合需要快速响应的场景。
性能对比显示，o3 和 o4-mini 在 AIME、Codeforces、GPQA 和 MMMU 等测试中全面超越前代，且指令遵循和响应质量也都显著提升，结合记忆功能和历史对话引用，回答更个性化、更相关。
在 OpenAI o3 的整个开发过程中，OpenAI 观察到大规模强化学习呈现出与 GPT 系列预训练中相同的 「计算量越大，性能越好 」的趋势。
沿着这一路径（强化学习），OpenAI 在训练计算量和推理时间方面都提升了一个数量级，但仍然看到了明显的性能提升，在跟 o1 相同的延迟和成本下，o3 的表现更强，而且给它更多时间思考，效果还能更好。
不忘画饼的 OpenAI 也表示，o3 和 o4-mini 已经展现了 o 系列推理能力与 GPT 系列自然对话和工具使用的融合趋势，而未来模型（GPT-5）预计将进一步整合这些优势，为用户提供更智能、实用的体验。
能用图片「思考」，就是偶尔会「想太多」
OpenAI o3 和 o4-mini 还是 o 系列最新的视觉推理模型。
怎么理解视觉推理模型呢？据官方介绍，模型首次将图像直接融入思维链，开启了一种融合视觉与文本推理的全新问题解决方式。
配合 Python 数据分析、网络搜索和图像生成等工具，还能应对更复杂的任务。
上传白板照片、教科书图表或手绘草图，即便图像糊了、反转或质量不佳，模型也能准确解读，并直接调用工具处理图片，裁剪、旋转、缩放等操作都不在话下。
重点是，这些功能是原生的，无需依赖单独的专用模型。
博主 @danshipper 通过一张模糊的照片找到了一个婴儿车品牌，从画面上看，整个过程也搜索了数十个网页。
我也上传了武康大楼的图片，o3 准确识别到了建筑位于淮海路附近，不过，回答却并没有给出建筑的名字。
当然，这种思考方式也不是没有「缺陷」：
- 想得太多：模型可能过于依赖工具或图像处理，导致推理思维链冗长。看走眼：即使工具使用正确，视觉误解也可能导致答案错误。不稳定：同一问题多次尝试，模型可能采用不同推理路径，部分结果出错。
Codex CLI 免费开源，OpenAI 真 open 了？
o3 和 o4-mini 在成本效率上优于前代，2025 年 AIME 测试中性价比完胜 o1 和 o3-mini，更智能也更划算。
o3 输入每百万 tokens（大约 75 万个词，长度超过《指环王》系列）的费用为 10 美元，输出每百万 tokens 的费用为 40 美元。
o4-mini 输入每百万 tokens 的费用为 1.10 美元，输出每百万 tokens 的费用为 4.40 美元。
前不久，OpenAI 被曝安全测试时间从数月缩水到了几天。而 o3 和 o4-mini 的系统卡则显示，OpenAI 重建了安全训练数据集，新增生物威胁、恶意软件生成和越狱攻击的拒绝提示。
根据最新的《准备框架》，o3 和 o4-mini 在生物与化学、网络安全及 AI 自我改进领域风险均低于「高」阈值。
▲图片附 Codex CLI GitHub 地址：https://github.com/openai/codex
Agent 虽迟但到，OpenAI 还推出了一款轻量级终端编码 Agent——Codex CLI。
基于 o3 和 o4-mini 的推理能力，Codex CLI 支持多模态输入，已在 GitHub 开源。此外 ，OpenAI 还启动 100 万美元计划支持相关项目，接受 2.5 万美元 API 积分资助申请。
OpenAI 这回是真 open 了。
据介绍，Codex 有两种运行模式，一种是「建议模式」（默认）：提出命令供用户确认，另一种是「全自动模式」：禁用网络访问，让 Agent 自主工作但保持安全。
直播演示中，OpenAI 研究员将屏幕截图拖入终端，Codex CLI 通过多模态推理分析图像，访问用户文件，最终生成 HTML 文件，打造了一个 ASCII 艺术生成器，并成功添加了网络摄像头 API。
值得一提的是，据彭博社报道，OpenAI 拟以约 30 亿美元收购 AI 编程工具公司 Windsurf，如果收购成功，这将成为 OpenAI 迄今为止规模最大的收购案。
报道指出，一旦交易达成，OpenAI 将能够与 Anthropic、微软旗下的 Github 和 Anysphere 等公司展开更直接的竞争，从而在快速增长的 AI 编程工具市场中占据一席之地。
「天才级」o3 引 Altman 转发力挺，但这些题却答不对…
一些 X 平台博主提前拿到了新模型的体验资格，并分享了使用体验。
体验一周的 @danshipper 表示，o3 速度快、很有「行动力」、极其聪明，而且整体感觉非常棒。最喜欢的用法包括：
- 制定了一个简洁的机器学习小课程，并每天早上提醒博主学习通过一张模糊的照片找到了一个婴儿车品牌用超快的速度写出了一个全新的 AI 基准测试程序像 X 光一样分析了 Annie Dillard 的一篇经典作品，挖掘出博主以前从未注意到的写作技巧查看会议记录，敏锐捕捉博主试图回避冲突的情况分析组织架构后，建议推出什么样的产品，以及短板在哪
医学博士 @DeryaTR_ 认为 o3 很聪明，「当我向 o3 提出具有挑战性的临床或医学问题时，它的回答听起来就像是来自顶级医生：准确、全面、基于证据且充满信心，表现得非常专业，完全符合我们对这个领域专家的期望。」
Altman 也转发引用了他的说法「o3 达到或接近天才的水平」。
在 @DeryaTR_ 看来，o4 mini 则稍微「低调」一些，回答细节上没有 o3 那么详细，可能更简洁、流畅，给人一种优雅的感觉，甚至可能更具「情感」。
当然，我们也上手测试了一些问题。
从前有一位老钟表匠，为一个教堂装一只大钟。他年老眼花，把长短针装配错了，短针走的速度反而是长针的12倍。装配的时候是上午 6 点，他把短针指在「6」上，长针指在「12」上。老钟表匠装好就回家去了。人们看这钟一会儿 7 点，过了不一会儿就8点了，都很奇怪，立刻去找老钟表匠。等老钟表匠赶到，已经是下午 7 点多钟。他掏出怀表来一对，钟准确无误，疑心人们有意捉弄他，一生气就回去了。这钟还是 8 点、9 点地跑，人们再去找钟表匠。老钟表匠第二天早晨 8 点多赶来用表一对，仍旧准确无误。请你想一想，老钟表匠第一次对表的时候是 7 点几分？第二次对表又是 8 点几分？
▲o3 回答错误 
U2 合唱团在 17 分钟 内得赶到演唱会场，途中必需跨过一座桥，四个人从桥的同一端出发，你得帮助他们到达另一端，天色很暗，而他们只有一只手电筒。一次同时最多可以有两人一起 过桥，而过桥的时候必须持有手电筒，所以就得有人把手电筒带来带去，来回桥两端。手电筒是不能用丢的方式来传递的。四个人的步行速度各不同，若两人同行则 以较慢者的速度为准。Bono 需花 1 分钟过桥，Edge 需花 2 分钟过桥，Adam 需花5分钟过桥，Larry 需花 10 分钟过桥。他们要如何在 17 分钟内过桥呢？
▲o4 mini 回答正确 
如下实测，虽然 o3 给出了完整的推理步骤，但回答却也再次出错。
▲o3 回答错误
在 OpenAI 上新之际，细心的网友也发现新款 Gemini 将于下周（4 月 22 日）发布。
DeepSeek R2、Anthropic 的 Claude 4 以及马斯克剧透的「GroK-3.5」 也预计将在本月陆续发布。
即便往前看，4 月也是 AI 最为「内卷」的一个月，很大程度上决定未来一年 AI 行业的发展走向，而更强的模型、更低的成本、更广的场景也将给我们带来更智能、更普惠的未来。
附 OpenAI 团队在 X 平台上举办的 AMA 总结：
- OpenAI 计划在未来几个月发布一个出色的开放模型，新的图像生成功能将很快在 API 中推出。o3 现已在 API 中提供，而更先进的 o3-pro 模型正在开发中，预计很快发布。强化学习微调（Reinforcement fine-tuning）很快会全面开放，允许公开进行微调或使用推理模型进行强化学习（RL）。在 Responses API 中，开发者消息与系统消息之间的切换是自动处理的；将系统消息发送给 o3 或将开发者消息发送给 GPT-4.1 会自动转换。目前，ChatCompletions 或 Responses API 不支持托管工具在 o3 和 o4-mini 的推理阶段，Web 搜索、文件搜索和代码解释器等工具会被积极使用；这些工具目前在ChatGPT中已被支持，但尚未在 API 中支持——预计很快会添加支持。OpenAI 正在积极开发 Agents SDK 中的线程支持，以改善对话历史和记忆。OpenAI认为低代码平台在 Agents SDK 中的建议很有趣，并欢迎开发者就最有用的功能提供反馈。Codex CLI 包括多个文档化的审批模式，允许用户为每个操作或会话选择模式。Codex CLI 并不是用来替代 Cursor、Windsurf 等 IDE 工具；它的设计目的是在用户使用主要 IDE 时运行后台任务。比较 Codex 的编码能力和深度研究能力取决于选择的模型（o3 或 o4-mini）；Codex 特别利用函数调用，直接在用户计算机上执行命令。新模型主要训练于通用浏览、Python/代码执行工具和对开发者有用的用户定义工具。虽然 GPT-4.5 更强大，但它更慢且计算密集，GPT-4.1 为开发者提供了一个更快且更具成本效益的选择。GPT-4.1 的一些改进已经整合到 ChatGPT 中，更多改进将在未来推出。OpenAI 承认「4o」和「o4」等模型名称之间存在命名混淆，并计划很快简化模型命名。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
