摘要：这次发布的的 o3 系列模型是 o1 的迭代版本，考虑到可能与英国电信运营商 O2 存在版权或商标冲突，OpenAI 决定跳过「o2」命名，直接采用「o3」。

就在刚刚，OpenAI 迎来了年底 AI 春晚的收官之作。

这次发布的的 o3 系列模型是 o1 的迭代版本，考虑到可能与英国电信运营商 O2 存在版权或商标冲突，OpenAI 决定跳过「o2」命名，直接采用「o3」。

为此，OpenAI CEO Sam Altman 更是自嘲公司在模型命名方面的混乱，原来你也知道呀。

本次发布会由 Sam Altman、研究高级副总裁 Mark Chen 以及研究科学家 Hongyu Ren（任泓宇）主持。

值得注意的是，任泓宇本科毕业于北大，对 o1 有过基础性贡献，也是 GPT-4o 的核心开发者，曾在苹果、微软和英伟达有过丰富的研究实习经历。

o3 系列包含两款重磅模型：

先别急着高兴，因为 o3 系列目前并不会向普通用户开放，OpenAI 计划先开放外部安全测试申请，正式发布时间预计要到明年 1 月。

现在，感兴趣的朋友可以提交申请： https://openai.com/index/early-access-for-safety-testing/

o3 性能大跃迁，死记硬背？不存在的

o3 模型的「纸面参数」迎来了全方位提升。

首先在 SweepBench Verified 基准测试中， o3 达到了约 71.7% 的准确率，直接将 o1 模型甩在身后整整 20% 之多。

转入编码领域，o1 在编程竞赛平台 Codeforces 上的得分为 1891。而 o3 在开足马力，延长思考时间的情况下，得分可达 2727。

作为参照，演示人员 Mark Chen 的得分也只有 2500，充分展现了 o3 模型已经具备接近甚至超越人类专业程序员的实力。

在数学领域，o3 同样表现出色。

在美国数学竞赛 AIME 2024 测试中，o3 以 90.67% 的准确率完全碾压了 o1 的 83.3%。

遇上衡量博士级科学问题解答能力的 GPQA Diamond 测试，o3 取得了 87.7% 的成绩，而 o1 仅为 78%。

什么概念呢？要知道，就算是领域内的博士专家，也往往只能在自己的专业范围内达到约 70% 的准确率。

面对当前基准测试接近满分的情况，OpenAI 引入了一个全新的数学测试 EpochAI Frontier Math。

这被认为是当前最具挑战性的数学评估之一，包含了极其复杂的问题。就连专业数学家解决单个问题也需要耗费数小时甚至数天。

目前，所有现有模型在该测试上的准确率都不足 2%，而在高算力的长时间测试下，o3 却能取得超过 2457 的分数。

说到 AI 领域的圣杯 AGI，也就不得不提到 ARC-AGI 这个专门衡量 AGI 的基准测试。

ARC-AGI 是由 Keras 之父 François Chollet 开发，主要是通过图形逻辑推理来测试模型的推理能力。

当演示人员向另一位演示人员 Mark Chen 提出即兴问题时，后者准确指出了任务的要求：需要计算每个黄色方块中彩色小方块的数量，并据此生成相应的边框。

这些对人类来说再简单不过的任务，对 AI 来说却是一道难题。

并且，ARC-AGI 的每个任务都需要不同的技能，且刻意避免重复，完全杜绝了模型靠「死记硬背」取巧的可能，真正测试模型实时学习和应用新技能的能力。

现在，o3 在低算力的配置下得分 75.7 分。当要求 o3 思考更长时间，并且提高算力，o3 在相同的隐藏保留集上得分 87.5%，远超大多数真人。

OpenAI 的言外之意就是，o3 将让我们离 AGI 更近一步。

o3 mini 重磅发布，速度更快，成本更低

今年九月，OpenAI 发布了 o1 mini，具有很强的数学和编程能力，而且成本极低。

延续这一发展方向，今天推出的 o3 mini 也保留了上述特征。即日起，该模型仅向安全研究人员开放测试申请，截止日期为 1 月 10 日。

o3 mini 支持低、中、高三种推理时间模式。

用户可根据任务复杂度灵活调整模型的思考时间。例如，复杂问题可选择更长的思考时间，而简单问题则可快速处理。

从首批评估结果来看，在衡量编程能力的 Codeforces Elo 评分中，随着推理时间的增加，其 Elo 分数持续攀升，在中等推理时间下就已超越 o1 mini。

演示人员要求模型使用 Python 创建了一个代码生成器和执行器，该脚本可启动服务器并创建本地用户界面。用户可在文本框中输入代码请求，系统会将请求发送至三种高级模式的 API，生成并执行相应代码。

例如，当要求其生成一个包含 OpenAI 和随机数的代码时，o3 mini 的中等推理模式迅速完成了处理。

另外，它还能自己测试自己，比如说在 GPQA 数据集测试中，模型以低推理模式完成了复杂数据集的评估。

它下载原始文件，识别 CSS、答案和选项，整理问题并进行解答，最后进行评分，仅用一分钟就完成了自我评估，准确率达到 61.62%。

在数学领域，o3 mini 同样表现优秀。

在 AIME 数学基准测试中，其低推理模式就达到了与 o1 mini 相当的性能，中等推理模式更是超越了 o1 mini，且延时更低。

另外，应广大开发者呼声，o3 mini 模型也将全面支持函数调用、结构化输出和开发者指令等 API 功能。

现在，o3 mini 和 o3 的申请通道现已开放。o3 mini 预计将于 1 月向所有用户推出，完整版 o3 则将在后续发布。

写在最后，在这个为期 12 天的年末发布会上，OpenAI 终于祭出了压箱底的杀手锏。

可以说，o3 模型的发布为这场一度陷入「高开低走」困境的发布会，画上了一个意料之外却又情理之中的圆满句号。

短短不到 3 个月的时间，OpenAI 就完成了 o1 模型的迭代升级。

这种从 GPT 系列到 o 系列的转型，显然是 OpenAI 深思熟虑后的战略选择，而事后结果也证明这个决定是明智的。

不过，值得注意的是，微软 CEO Satya Nadella 近期在一档播客节目中表示，OpenAI 在 AI 领域领先竞争对手约两年之久。

也正是这种相对宽松的竞争环境，使得 OpenAI 能够专注于开发 ChatGPT。

然而，当前形势攻守易形也。

Menlo Ventures 的报告显示，ChatGPT 的市场份额被其他竞争对手逐渐蚕食，从 2023 年的 50% 下降到了 2024 年的 34%。 由「标配」沦为「可选项」，ChatGPT 的光环正在褪去。

这背后的原因显而易见，OpenAI 的「护城河」正被短命狂奔的竞争对手们一寸寸填平。

来自 Artificial Analysis 的调研数据清晰显示，Anthropic 和 Google 等厂商陆续开发出性能接近 GPT-4、OpenAI o1 等新模型。

并且，随着 Scaling Law 触及天花板，核心高管人才相继离场，OpenAI 过往靠单个基础模型赢得的红利正在加速消退。

在动辄以天计的行业里，即便是今日发布的 o3 模型也很难再次创造长达 2 年的空窗期。

尤其是当 Grok-3 和 Claude 等新模型蓄势待发，留给 OpenAI 的时间或许已经不多了。

醒醒，今年最好的 AI 厂商依旧是 OpenAI，但明年或许会因为不同的 AI 方向有无数种答案。

所幸，作为用户的我们，都将是这场变局中最大的赢家。

来源：爱范儿一点号