OpenAI 连续12天的直播马拉松终于落下帷幕，相信不少关注这场技术盛宴的朋友都松了口气。说实话，此刻的掌声并非为OpenAI的完美收官而响起——而是献给每一位（包括我自己）这些天熬夜追更的勇士。大家辛苦了，我也辛苦了。一句话总结：全靠意志力撑过来的。

追到最后一刻，大家期待的Dalle 4、GPT-4.5、猎户座模型一个都没亮相。最终，舞台上只发布了两个“期货”：o3和o3 mini。目前它们仅对内部团队及部分外部安全研究人员开放测试。发布会一结束，Sam Altman就发帖邀请大家申请测试资格，但所有人都明白，门槛极高，基本难以指望。

整场发布会内容非常简洁：核心就是展示o3和o3 mini在各种基准测试中，相比前代模型取得了多少领先优势——这就是今天全部的“干货”了。哦，对了，最后Sam还补了一句“圣诞快乐”。

o3是OpenAI迄今为止最强大、最先进的推理模型。至于为什么没有o2？原因很简单：可能和英国电信运营商O2存在版权或商标冲突，所以直接跳到了o3。

01 o3模型

1. 编码基准

在软件风格基准测试中，o3的准确率约为71.7%，比o1模型提升了20%以上；在Codeforces竞赛编码平台上，它展现出了极强的Elo表现，计算能力相当于每年27年目标级别的储备。

2. 数学基准

在美国数学奥林匹克竞赛中，o3的准确率达到了约87.7%，相比o1模型提升了约10%；在极具挑战性的epic AIS数学基准测试里，准确率也超过了20%——尽管这个数值相比其他基准不算高，但该测试的难度可想而知。

3. Arc基准

在Arc AGI版本一的测试中，o3在半决赛条件下取得了75.7分；在高计算设置下，分数直接飙升至87.5%，超越了人类85%的阈值。这被视为AI推理能力发展中的一个重要里程碑。

02 o3 Mini模型

o3 Mini是o3系列的高效推理版本，适合需要数学和编码能力的各类用户。由于成本相对较低，它很可能很快在全球范围内开放使用。

o3 Mini最特别的一点是支持三种不同的思考时间选项：低、中、高。这个选项控制的是模型“努力”的程度——即它用于推理的时间长短。用户可以根据自身需求和预算灵活调整。

1. 编码能力

在自适应思维时间下，低到中等的思考时间里，o3 Mini的代码性能已经超越了o1 Mini；它在速度和成本之间找到了相当出色的平衡，定义了新的编码成本效益前沿。

2. 数学能力

在2024年数据集上，低推理努力设置下，o3 Mini和o1 Mini表现相当；但一旦切换到中等思考时间，性能显著提升；高推理努力下，还能跑出更高分数。同时，延迟大幅减少，支持函数调用等开发者常用功能，综合性能优于大多数竞品。

发布会的最后，OpenAI还提出了一个新概念——“协商对齐”。简单来说，就是利用模型自身的推理能力来找到更准确的安全边界。在对模型进行安全训练时，不是强行灌输规则，而是让模型自己学会什么行为是安全的、什么是不安全的。这并非简单的打标签，而是让模型参与理解的过程。

总体而言，o3和o3 mini在推理能力上的进步是肉眼可见的。我们距离AGI又近了一步。但随之而来的一个更棘手的问题是：当模型的推理能力达到顶峰时，像微调、RAG、Prompt工程这些技术，还有用吗？这或许才是开发者真正需要提前思考的问题。现在做的很多东西，如果只是作为未来更强大模型的铺垫，反而容易变成替后来者做嫁衣。

最后，向所有熬夜追完这场发布会的人，致以真实的敬意。Respect。