「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。

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？

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？

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。

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。