《o3 与 o4-mini 系列》解读：推理模型第一次长出”手”和”眼睛”——从”会想”进化到”会干活”
论文：Advancing the frontier of AI reasoning（o3 预告博客）+ Introducing OpenAI o3 and o4-mini（正式发布博客）+ Introducing OpenAI o3-mini（发布博客）+ ARC-AGI 半私密评测报告（ARC Prize 基金会） 作者：OpenAI 发布背景一句话：o3 于 2024-12-20（“12 天活动”收官日）预告，o3-mini 于 2025-01-31 落地，o3 与 o4-mini 于 2025-04-16 正式发布；核心主张是”推理模型终于能在思考链里调用全部工具、并看懂图片了”；前置知识提示：o1 在 2024 年 9 月定义了”测试时计算 + 思维链”范式，而 o3 家族把这套范式做成了一条按计算量分档的商用产品线，也为几个月后 GPT-5 把”推理”并进统一模型埋下了伏笔。
一、引言：o1 证明了”会想”，o3 家族负责把”想”规模化
o1 发布三个月后，全世界刚学会”推理模型要先憋一段思维链”这个新概念，OpenAI 就把它按死了——2024 年 12 月 20 日，12 天活动的最后一天，奥特曼在直播里抛出了 o3 和 o3-mini。这一天的分量不在于数字有多吓人，而在于它宣告了一件事：推理范式不是孤品展，是一条可以快速迭代、按档售卖的产品线。o1 到 o3 只隔了 3 个月，这个速度本身就在回答”Scaling Law 有没有死”——至少推理这条曲线还在陡坡上。
命名先讲清楚。跳过 o2 不是因为技术，是因为英国电信运营商 O2 的商标。奥特曼直播里自嘲：OpenAI 起名字的水平一如既往地烂。这跟 o1 那次”计数重置为 1”的任性一脉相承——o 系列的命名从来不讲道理，但每次命名都在划新纪元。
但预告归预告，o3 全家真正的价值是”落地”那一下。2025 年 1 月 31 日 o3-mini 正式上线，4 月 16 日 o3 与 o4-mini 联袂发布。从 12 月的PPT到 4 月的生产线，中间横着两个大背景：一是 DeepSeek-R1 在 1 月用开源把推理模型的价格打成白菜价，逼得 OpenAI 必须在”便宜”上正面接招；二是整个行业开始明白，光会”想”不够，模型得会”用工具”，否则再聪明的脑子也只能隔着聊天框干瞪眼。
二、方法：同一套范式，三种卖法，外加一双新眼睛
先说 o3 的训练方法论。官方没有放技术论文，博客加系统卡给的信息集中在范式层面：o3 继续沿用 o1 的”思维链 + 强化学习”配方，但把规模往上推了一大截。值得划线的是两个新增概念。一个是 adaptive thinking（自适应思考）——模型根据任务难度动态决定思考多久，简单题少想、难题多想，这是后来 GPT-5.1 那套自适应推理的直系祖先。另一个是 deliberative alignment（审慎对齐）：让模型在推理时主动把安全策略逐条读进思维链，而不是训练死板的是/否规则——安全这事，从”背答案”变成了”审题”。
o3 的商用形态有个关键的工程决策：按计算量分档（efficiency modes，低 / 中 / 高）。同一颗脑子，你可以买”快而省”的档位，也可以买”慢而准”的档位。这是把”测试时计算”第一次明码标价成商品目录——你在 o1 时代为多想几个 token 付费，在 o3 时代直接买档位。
然后说 o3-mini。它的定位很明确：把 o1-mini 的”窄路推理”路线继续做下去——数学、代码、科学强，世界知识弱，无视觉。三个思考力度（low / medium / high）对应不同的价格和延迟。发布时定价每百万输入 token $1.1、输出 $4.4，比 o1-mini 便宜 63%，比完全体 o1 便宜 93%。这个价格是 1 月 31 日发的，就踩在 DeepSeek-R1 引发的行业恐慌正中心，OpenAI 嘴上不说，但定价的每一分钱都在回应开源对手。
重头戏在 4 月 16 日的 o3 与 o4-mini。这是 o 系列第一次真正”装备了手和眼”。官方说法是：o3 和 o4-mini 是首批能够在思考链（chain of thought）中调用全部工具的模型——网页浏览、Python 执行、图像分析、图像生成，一次思考里可以反复穿插调用。模型在训练中学会了判断”什么时候该搜网页、什么时候该跑代码、该以什么格式输出”。更要命的细节是 o4-mini 的 thinking with images（用图像思考）：它能直接把图片卷进思维链里，旋转、裁剪、放大、反复观察，而不是像以前那样只把图片当描述输入。这个能力让视觉推理从”看图说话”升级成”看着图算题”。
o4-mini 的另一个身份是价格武器。它定价每百万输入 $1.1、输出 $4.4，跟 o3-mini 一个价，但能力全面压过 o3-mini，数学和代码甚至能追平 o3——而 o3 定价每百万输入 $2、输出 $8，o4-mini 约为其十分之一。OpenAI 明着给开发者划了个选择题：追求极致精度上 o3，追求性价比上 o4-mini。4 月 24 日起，o4-mini 正式取代 o1 和 o3-mini 成为默认模型，免费用户通过”思考”（Think）按钮也能用——推理能力从”付费特权”降级成”标配”，这条价格曲线本身就是 2025 年上半年竞争烈度的温度计。
三、成绩：ARC-AGI 破人类线，FrontierMath 从”全军覆没”到”解出四分之一”
12 月预告的这批数字，至今还是推理模型评测史上最华丽的一页。
数学上，AIME 2024 拿了 96.7%——15 道题只错 1 道；GPQA Diamond（博士级物理化学生物）87.7%，比 o1 的 78% 又高一截。编程上，Codeforces Elo 冲到 2727，相当于人类排行榜第 175 名，而 o1 只有 1891；SWE-bench Verified 71.7%，比 o1 的 48.9% 高出 20 多个百分点。
最震撼的是两项新尺子。ARC-AGI（抽象推理语料库）上，低计算模式 75.7%，高计算模式 87.5%——第一次有 AI 跨过人类阈值 85% 这条线。但注意代价：ARC Prize 官方报告说，o3 在低档模式每个任务烧 约 $20，高档模式烧到 数千美元，而且是在超出官方算力限制 172 倍的高算力下才拿下 87.5%。换句话说，它破线靠的是”用蛮力换思考”，ARC 奖主办方因此没把 60 万美元奖金发给它——技术突破和工程实用之间，隔着一条钱的鸿沟。FrontierMath 上 o3 解出 25.2%，此前的所有模型全部卡在 2% 以下——陶哲轩说过这套题”可能难住 AI 好几年”，o3 只用了几个月的思考。
4 月正式发布的数字做了些修正。媒体对比发现，o3 的个别基准分比 12 月预告略低，比如 SWE-bench 从 71.7 降到 69 上下，原因官方没细说，我推断多半是评测口径从”最优配置”改成了”标准配置”。o4-mini 这边则是另一套亮眼成绩：AIME 2024 93.4%、AIME 2025 92.7%（启用 Python 工具后最高冲到 99.5%）、Codeforces Elo 2719、SWE-bench Verified 68.1%、MMMU 81.6%、MathVista 84.3%。SWE-bench 上 o4-mini 只落后 o3 一个点，价格却差近十倍——这个”一分钱一分货”的性价比曲线，比任何营销话术都直白。
收尾：我的一点看法
我对 o3 家族最深的印象不是分数，是”工具”这两个字。o1 时代的推理模型再聪明，也是个隔着聊天框做题的书呆子；o3 和 o4-mini 把网页、代码、图像全接进思维链之后，模型第一次可以对着一个多步任务自己设计方案、自己查资料、自己验证、自己交付——这就是 OpenAI 官方说的”agentic（智能体化）“方向。从 12 月预告到 4 月落地，这家公司真正在卖的不是”更聪明的脑子”，而是”会干活的人”。
批评也是现成的。ARC-AGI 那 87.5% 是拿”几千美元一个任务”堆出来的，这暴露了”测试时计算”这条路的暗面：分数可以靠钱买到，成本也可以无限上涨。如果你按 ARC-AGI 的算力限制来算，o3 甚至没赢。这个真相给所有”破纪录”的新闻标题都浇了盆冷水——推理模型的评测，永远要先问一句”用了多少算力”。还有那个我没想通的点：12 月宣布、4 月才落地，中间 3 个月里 o3 的分数居然还会下调，说明官方对”评测口径”的掌控力也不像看起来那么稳。当一家公司能决定数字怎么报的时候，“SOTA”这个字就越来越像营销词。
但我仍然认为 o3 家族是 2025 年上半年最重要的发布，原因不是任何单项分数，而是它完成了三件承上启下的事：把 o1 的推理范式做成了可分档售卖的商品；把”工具使用”塞进了思维链内部，提前为智能体（agent）时代铺路；以及把价格打了下来，让免费用户也能用上推理模型。这三件事合起来，等于把 2026 年 GPT-5 那套”统一模型 + 路由器”的思路预先演练了一遍——o 系列终于证明，推理不是高端用户的特权，是所有人都应该默认拥有的能力。从 o1 的”会想”，到 o3 家族的”会想也会干活”，这条路走了不到一年。
附：核心数据速查
关键数字表格
| 指标 | 数值 | 对比/备注 |
|---|---|---|
| o3 ARC-AGI（低/高计算） | 75.7% / 87.5% | 人类阈值 85%；高计算超算力限制 172 倍 |
| o3 ARC-AGI 单任务成本 | 约 $20（低档）/ 数千美元（高档） | ARC 奖未授予 o3 |
| o3 AIME 2024 | 96.7% | 15 题错 1 题；o1 为 83.3% |
| o3 GPQA Diamond | 87.7% | o1 为 78% |
| o3 Codeforces Elo | 2727 | 人类第 175 名水平；o1 为 1891 |
| o3 SWE-bench Verified | 71.7%（12 月预告） | 4 月发布时约 69（媒体口径） |
| o3 FrontierMath | 25.2% | 此前所有模型 <2% |
| o3-mini 定价 | $1.1 / $4.4（百万 token 入/出） | 比 o1-mini 便宜 63%，比 o1 便宜 93% |
| o3 定价 | $2 / $8 | 4 月正式发布 |
| o4-mini 定价 | $1.1 / $4.4 | 与 o3-mini 同价，约为 o3 的十分之一 |
| o4-mini AIME 2024 / 2025 | 93.4% / 92.7% | 开 Python 工具最高 99.5% |
| o4-mini Codeforces Elo | 2719 | 略低于 o3 |
| o4-mini SWE-bench Verified | 68.1% | o3 为 69.1%，o3-mini 仅 49.3% |
| o4-mini MMMU / MathVista | 81.6% / 84.3% | 视觉推理 |
| 关键日期 | 2024-12-20 预告；2025-01-31 o3-mini；2025-04-16 o3/o4-mini | 4 月 24 日 o4-mini 取代 o1 与 o3-mini |
关键概念清单
- adaptive thinking（自适应思考）= 模型按任务难度动态调整思考时长
- deliberative alignment（审慎对齐）= 让模型在推理中逐步审读安全策略的对齐方法
- efficiency modes（效率档位）= o3 的低/中/高三档计算配置
- thinking effort（思考力度）= o3-mini 的 low/medium/high 推理强度选项
- chain of thought（思维链）= 模型作答前生成的内部推理步骤
- tool use in CoT（思考链内工具调用）= o 系列首次在推理过程中使用网页/Python/图像等工具
- thinking with images（用图像思考）= o4-mini 把图片直接纳入思维链进行旋转裁剪等操作
- ARC-AGI = 抽象推理语料库，测试模型对新任务的泛化适应能力
- FrontierMath = Epoch AI 推出的前沿数学基准，此前无模型超过 2%
- SWE-bench Verified = 真实软件工程问题基准
- Codeforces Elo = 竞技编程平台积分，2727 约等于人类第 175 名
- AIME = 美国数学邀请赛
- GPQA Diamond = 博士级物理/化学/生物难题基准
- agentic（智能体化）= 模型自动执行多步任务的方向
- “12 天活动” = OpenAI 2024 年 12 月的连续发布活动，o3 为其收官之作
- distillation（蒸馏）= 用大模型输出训练小模型的行为，o 系列不公开思维链的原因之一
如果这篇文章对你有帮助，欢迎分享给更多人！
部分信息可能已经过时