OpenAI 官宣 o3 系列王者模型：能解最难的数学题，单个任务最高花费数千美元，越贵越好用！

OpenAI 12 天的马拉松式发布活动，终于迎来了尾声。

在这长达两个多星期的系列发布期间，谷歌连续放出两款王炸大模型 Gemini 2.0 Flash 以及专攻推理的 Gemini 2.0 Flash Thinking，这种情况下，OpenAI 如果再不拿出点看家本领恐怕有些说不过去了。

在前几天无关痛痒的新功能推出后，人们都在期待 OpenAI 能放出点“猛料”。别急，“猛料”来了......

OpenAI 发布 o3 和 o3 mini 大模型

刚刚，OpenAI 宣布推出两款前沿模型：o3 和 o3-mini。它们是本月初刚刚全面发布的 o1 和 o1 mini 模型的继任者，更准确地说，o3 是一个像 o1 一样的模型系列，o3-mini 是一个更小、更精简的模型，针对特定任务进行了微调。OpenAI 正在慢慢邀请选定的用户测试这套新的推理模型。

早在今天直播之前，OpenAI CEO Sam Altman 就在 X 平台上发布推文暗示了新 AI 模型 GPT-o3 的发布。Altman 的推文中包含了“呵呵呵，明天见”和“找到线索，应该会说哦哦哦”等短语，暗示了 o3 模型即将发布。推文中“o”和“h”的反复使用被视为即将发布的预兆。

此次发布恰逢 OpenAI 的“OpenAI 12 天”活动的最后一天。在过去的 11 天里，OpenAI 发布了功能齐全的 o1 模型并推出了相关 API。此外，该公司还升级了各种功能，包括函数调用、结构化输出、推理工作量控制、开发人员消息传递和视觉输入功能。

“我们认为这是人工智能下一阶段的开始，你可以用这些模型来完成越来越复杂、需要大量推理的任务，”Altman 说。“在本次活动的最后一天，我们认为从一个前沿模型过渡到下一个前沿模型会很有趣。”

Altman 在直播中表示，公司计划在 1 月底发布 o3-mini，并在“此后不久”发布 o3。

值得一提的是，OpenAI 此次发布的新模型命名为 o3，而不是 o2，这又是为什么？据 The Information 报道，OpenAI 跳过 o2 是为了避免与英国电信提供商 O2 发生潜在冲突。Altman 在今天上午的直播中证实了这一点。Altman 表示，OpenAI“在命名方面一直很糟糕”。

o3 到底强在哪？

那么，o3 到底强在哪里？

在直播中，Altman 表示，o3 模型“在编码方面表现出色”，而且 OpenAI 分享的基准测试也支持它，甚至超过了 o1 在编程任务上的表现，具体数据如下：

• 卓越的编码性能： o3 在 SWE-Bench Verified 上比 o1 高出 22.8 个百分点，并获得了 2727 的 Codeforces 评分，超过了 OpenAI 首席科学家的 2665 分。

• 数学和科学掌握： o3 在 AIME 2024 考试中取得 96.7% 的成绩，仅缺席一道题，在 GPQA Diamond 考试中取得 87.7% 的成绩，远远超过人类专家的表现。

• Frontier 基准测试：该模型在 EpochAI 的 Frontier Math 等具有挑战性的测试中创下了新纪录，解决了 25.2% 的问题，而其他模型的解决率均未超过 2%。在 ARC-AGI 测试中，o3 的得分是 o1 的三倍，超过 85%（经 ARC Prize 团队现场验证），代表了概念推理领域的一个里程碑。

在推理能力上 o3 也比以往有了非常大的改进。

与大多数人工智能不同，诸如 o3 之类的推理模型能够有效地自我核实事实，这有助于它们避免通常会绊倒模型的一些陷阱。

这种事实核查过程会产生一些延迟。与之前的 o1 一样，o3 需要更长的时间（通常要多几秒到几分钟）才能得出解决方案，而典型的非推理模型则不然。好处是什么？它在物理、科学和数学等领域往往更可靠。

o3 经过训练，可以在做出反应之前通过 OpenAI 所称的“私人思维链”进行“思考”。该模型可以推理任务并提前计划，在较长时间内执行一系列操作，帮助它找到解决方案。 

在实践中，给出一个提示后，o3 会在回答之前停顿一下，考虑一系列相关提示，并在此过程中“解释”其推理。一段时间后，该模型会总结出它认为最准确的答案。

o3 的新功能是能够“调整”推理时间。模型可以设置为低、中或高计算（即思考时间）。计算时间越长，o3 在任务上的表现就越好。

o3 系列模型加强了对安全和对齐的承诺

除了这些进步之外，OpenAI 还加强了对安全和协调的承诺。

Altman 表示，在 OpenAI 发布新的推理模型之前，他更希望有一个联邦测试框架来指导监控和降低此类模型的风险。

尽管 o3 已经非常先进了，但它也存在风险。人工智能安全测试人员发现，o1 的推理能力使其欺骗人类用户的概率比传统的“非推理”模型更高——或者说，比 Meta、Anthropic 和 Google 的领先人工智能模型更高。o3 欺骗的概率可能比其前身更高。

因此，OpenAI 表示，它正在使用一种新技术“审议性对齐”，使 o3 等模型与其安全原则保持一致。（o1 以相同的方式对齐。）该项技术还将在协调 o3 和 o3-mini 方面发挥关键作用，确保它们的能力强大而负责。 

业内如何评价 o3？

此次的 o3 系列模型的发布可谓赚足了眼球，因为 OpenAI 做出了一个惊人的声明：o3 至少在某些条件下接近 AGI——但也存在重大隐患。

AGI 是“通用人工智能”的缩写，泛指能够执行人类所能完成的任何任务的人工智能。但对于通用人工智能，OpenAI 有自己的定义：“在最具经济价值的工作上表现优于人类的高度自主系统。”

实现 AGI 将是一个大胆的宣言。而且这对 OpenAI 来说也具有非同凡响的意义。根据与密切合作伙伴和投资者微软的协议条款，一旦 OpenAI 实现 AGI，它就不再有义务让微软使用其最先进的技术（即符合 OpenAI AGI 定义的技术）。

但从一项基准测试来看，OpenAI 正在慢慢接近 AGI。

在 ARC-AGI（一项旨在评估 AI 系统是否能够有效地在其训练数据之外获得新技能的测试）中，o3 在高计算设置下获得了 87.5% 的分数。在最差的情况下（在低计算设置下），该模型的性能是 o1 的三倍。

当然，高计算设置的成本非常高——根据 ARC-AGI 联合创始人 Francois Chollet 的说法，每个任务的成本高达数千美元。

Francois Chollet 在 X 上发文称：“今天，OpenAI 宣布了其下一代推理模型 o3。我们与 OpenAI 合作在 ARC-AGI 上对其进行了测试，我们认为这代表了让 AI 适应新任务的重大突破。它在低计算模式下的半私有评估中得分为 75.7%（计算中每个任务 20 美元），在高计算模式下得分为 87.5%（每个任务数千美元）。它非常昂贵，但这不是在使蛮力——这些功能是新领域，需要认真的科学关注。”

那么，这就是 AGI 吗？Francois Chollet 表示：“虽然新模型非常令人印象深刻，代表着 AGI 道路上的一个重要里程碑，但我不认为这就是 AGI——仍有相当多的 ARC-AGI-1 任务 o3 无法解决，而且我们有早期迹象表明 ARC-AGI-2 对 o3 来说仍然极具挑战性。这表明，创建不饱和的、有趣的基准仍然是可行的，这些基准对人类来说很容易，但对人工智能来说却不可能完成——无需专业知识。只有当我们已经再也无法创建类似这种测评时，我们才算真的拥有 AGI。”

虽然，ARC-AGI 有其局限性——而且它对 AGI 的定义只是众多定义之一。但在其他基准测试中，o3 同样击败了竞争对手。

在专注于编程任务的基准 SWE-Bench Verified 上，o3 的表现比 o1 高出 22.8 个百分点，并获得了 Codeforces 评分（另一个衡量编码技能的标准）2727 分。（2400 分的评分使工程师处于 99.2 个百分点。）o3 在 2024 年美国数学邀请赛上得分为 96.7%，只错一道题，在 GPQA Diamond（一组研究生水平的生物学、物理学和化学问题）上得分为 87.7%。最后，o3 在 EpochAI 的 Frontier Math 基准上创下了新纪录，解决了 25.2% 的问题；其他模型都未超过 2%。

o3 模型的发布在 Reddit 论坛上引发了广泛讨论。有用户表示：

“Chollet 很客观地评价了这款模型，这应该具有重要意义。此外，无论 AGI 是如何定义的（当然，对于许多定义来说，这并不是定义），结果都必须得到承认。o3 现在在重要的、具有经济价值的认知任务中远远领先于其他模型。”

有看热闹不嫌事儿大的用户期待能有人将谷歌刚刚发布的 Gemini 2.0 Flash Thinking 模型和 o3 进行对比，该用户表示：

“根据他们的基准测试，o3 的表现远胜于 o1。我倒想看看它们在实际用例中的表现。我认为他们说的是，与 o1 和 o1-mini 相比，o3（至少是 API）的运行成本更低。期待他们与 Gemini Flash Thinking 的对比。激动人心的时刻即将到来……”

推理模型正成为大势所趋

OpenAI 发布首批推理模型后，包括谷歌在内的竞争对手 AI 公司纷纷推出了大量推理模型。

11 月初，国内 AI 研究公司 DeepSeek 发布了其首款推理模型 DeepSeek-R1的预览版。同月，阿里巴巴的通义千问团队发布了其声称是 o1 的第一个“公开”挑战者的产品。

那么，究竟是什么打开了推理模型的闸门？

首先，就是寻找改进生成式人工智能的新方法。因为大家逐渐发现，用于扩展模型的“蛮力”技术不再能带来像以前一样的重大技术突破。

然而，也并非所有人都相信推理模型是最佳的发展方向。首先，它们往往价格昂贵，因为运行它们需要大量的计算能力。尽管到目前为止，它们在基准测试中表现良好，但尚不清楚推理模型是否能保持这种进步速度。

有趣的是，o3 的发布正值 OpenAI 最有成就的科学家之一离职之际。Alec Radford 是 OpenAI 生成式 AI 模型“GPT 系列”（即 GPT-3、GPT-4 等）学术论文的主要作者，本周他宣布将离职从事独立研究。

最后，不得不说，作为全球顶级 AI 明星独角兽，OpenAI 技术先进是真，但比技术更先进的，或许是 Altman 高超的营销手段吧。

参考链接：

https://www.binance.com/en/square/post/12-20-2024-openai-ceo-hints-at-new-ai-model-gpt-o3-release-17819861054250