OpenAI 发布 o3 与 o4-mini：推理模型首次全面支持工具调用

过去大模型用工具，基本靠外挂提示词生拉硬拽，什么时候查网、什么时候写脚本，全看用户指令给得细不细。

OpenAI 推出的两款新推理模型 o3 和 o4-mini，彻底改掉了这个毛病。它们最大的变化不是单纯把做题分数刷高，而是把调用工具的能力直接做进了强化学习训练里。这意味着模型在思考的过程中，会自己琢磨什么时候该去搜网页、什么时候该写段 Python 代码跑一跑，甚至能一边推理一边生成图片。

把图片塞进思考链，不仅会看还会旋转放大

以往的多模态模型通常是看一眼图，接着就在文本里做推理。这次 o3 和 o4-mini 第一次把图像直接融进了思维链里面，用 OpenAI 的话说，它们不再只是「看图」，而是「用图思考」。

比如你上传一张拍歪了、白板反光或者字迹模糊的草图，模型不仅能辨认，还能在思考步骤里主动去旋转、放大或裁剪图片，直到看懂细节为止。在多模态基准 MMMU 上，o3 刷新了最高分。

而在纯粹的智力较量上，旗舰款 o3 在 Codeforces 编程竞赛和 SWE-bench 软件工程基准上都拿下了业内新高。在外部专家评估中，面对复杂的真实世界任务，o3 犯下严重错误的概率比 o1 减少了整整 20%。

小体量的 o4-mini 走的是高性价比路线，推理速度更快、额度给得更慷慨。有意思的是，当给它配上 Python 解释器时，o4-mini 在 2025 年美国数学邀请赛（AIME）上拿到了 99.5% 的单次通过率，8 次一致性检验更是达到了 100%。与此同时，OpenAI 还端出了一个名为 Codex CLI 的终端小工具，让开发者能在本地命令行里直接扔截图、改本地代码。

安全方面，两款模型重构了生物风险和越狱提示的安全训练集，并通过一个专门的推理监督模型，在红队测试中拦截了约 99% 的生物风险对话。

为什么重要

我们认为，这次发布真正的分水岭，是推理模型正式具备了 Agent 的雏形。

过去模型面对复杂问题容易「硬猜」或者陷入死胡同，而现在的 o3 和 o4-mini 学会了像真人工程师一样工作：遇到算不清的账就写脚本跑数据，发现信息过时就自动联网搜几次，中途卡住了还会根据工具返回的结果动态调整思路。这种多步协同在大多数情况下能在 1 分钟内完成，普通用户做行业调研、开发者做跨文件排错，生产力提升都是立竿见影的。

对行业来说，单纯卷预训练参数和做题分数的时代正在加速结束，强化学习在推理阶段与工具调用的深度结合成了新的主战场。OpenAI 证明了给模型更多的推理计算和工具权限，收益依然没有遇到天花板。

不过隐患也显而易见：当模型在后台自主串联搜索、执行代码并返回最终结论时，普通人很难逐一排查其中某一步是否引用了错误网页或跑偏了中间逻辑。更聪明的工具链，也意味着对下游执行环境和权限管控提出了更高的要求。