OpenAI 压轴公布 o3 推理模型：性能超越 o1，跳过 o2

OpenAI 连续搞了十二天的「圣诞连发」，终于在最后一天把压箱底的底牌翻了出来。

OpenAI 在直播收官战正式公布了新一代推理模型 o3 家族，包括完整版的 o3 和更轻量化的 o3 mini。至于为什么从 o1 直接跳过 o2，原因是西班牙电信旗下早就有一个叫 O2 的通信品牌，为了避免商标撞车和侵权纠纷，只能跨过这个数字。

不过，目前普通用户还摸不到它们，OpenAI 这次只是做了技术展示。

刷爆测试集，思考时间还能分三档

从官方给出的基准测试看，o3 在数学和科学领域全面超越了现有的 o1。它在竞赛数学测试 AIME 2024 和涵盖物理、化学、生物博士级问题的 GPQA 上，都拿出了更强的成绩。

更引人注目的是 ARC-AGI 测试。o3 在这个被视为衡量通用人工智能进展的基准上刷新了业内最高分，虽然 OpenAI 明确表示它还没达到 AGI，但离那个目标显然又近了一步。

一同亮相的 o3 mini 则带来了一个很实用的设计：支持低、中、高三档推理设置。思考时间直接决定模型的上限。

在低档位下，o3 mini 在 Codeforces 编程测试里的表现和之前的 o1-mini 相当；但只要拉到中档或高档，它的实力就能追平甚至超越完整的 o1，其他基准测试也呈现出同样的规律。

什么时候能用上，以及怎么管住它

发布虽早，用上还要等一等。Sam Altman 在直播最后透露，o3 mini 预计在 1 月底正式上线，完整版的 o3 还要排在更后面。

为了摸清底细，OpenAI 首次开放了外部安全测试。外部安全研究人员可以在 1 月 10 日前在官网提交申请，提前拿到测试权限。

针对这种会自己「琢磨」的推理模型，OpenAI 还端出了一套叫「审慎对齐」（deliberative alignment）的训练范式。简单来说，就是直接把人类写好的安全规范文本教给模型，逼它在正式作答之前，先在推理过程里老老实实对照这些规矩过一遍。

为什么重要

我们认为，o3 的亮相证明了强化学习推理路线远没有撞墙，AI 的军备竞赛已经从单纯堆参数卷预训练，彻底转向了拼「运行时思考算力」。

对开发者和未来的使用者来说，o3 mini 的三档调节很有现实意义。以前用 o1 就像开盲盒，不知道它要琢磨多久、花多少 token；以后开发者可以根据业务场景，简单的活选低档快速出结果，复杂的难题选高档慢慢啃，把成本和性能的控制权拿回自己手里。

OpenAI 这一步走得很聪明，提前展示肌肉能稳固外界对它技术护城河的信心，同时把 1 月底的交付期留给安全测试。不过隐患也写在明处：让推理模型在生成隐式思考链时自己对照安全规范，看起来逻辑通顺，但随着模型推理能力逼近 ARC-AGI 的高地，这种自我审查到底能不能彻底挡住越狱和对齐漂移，依然要在外部测试里见真章。