OpenAI 釋出 o3 與 o4-mini：推理模型首次全面支援工具呼叫

過去大模型用工具，基本靠外掛提示詞生拉硬拽，什麼時候查網、什麼時候寫指令碼，全看使用者指令給得細不細。

OpenAI 推出的兩款新推理模型 o3 和 o4-mini，徹底改掉了這個毛病。它們最大的變化不是單純把做題分數刷高，而是把呼叫工具的能力直接做進了強化學習訓練裡。這意味著模型在思考的過程中，會自己琢磨什麼時候該去搜網頁、什麼時候該寫段 Python 程式碼跑一跑，甚至能一邊推理一邊生成圖片。

把圖片塞進思考鏈，不僅會看還會旋轉放大

以往的多模態模型通常是看一眼圖，接著就在文本里做推理。這次 o3 和 o4-mini 第一次把影像直接融進了思維鏈裡面，用 OpenAI 的話說，它們不再只是「看圖」，而是「用圖思考」。

比如你上傳一張拍歪了、白板反光或者字跡模糊的草圖，模型不僅能辨認，還能在思考步驟裡主動去旋轉、放大或裁剪圖片，直到看懂細節為止。在多模態基準 MMMU 上，o3 重新整理了最高分。

而在純粹的智力較量上，旗艦款 o3 在 Codeforces 程式設計競賽和 SWE-bench 軟體工程基準上都拿下了業內新高。在外部專家評估中，面對複雜的真實世界任務，o3 犯下嚴重錯誤的機率比 o1 減少了整整 20%。

小體量的 o4-mini 走的是高性價比路線，推理速度更快、額度給得更慷慨。有意思的是，當給它配上 Python 直譯器時，o4-mini 在 2025 年美國數學邀請賽（AIME）上拿到了 99.5% 的單次通過率，8 次一致性檢驗更是達到了 100%。與此同時，OpenAI 還端出了一個名為 Codex CLI 的終端小工具，讓開發者能在本地命令列裡直接扔截圖、改原生代碼。

安全方面，兩款模型重構了生物風險和越獄提示的安全訓練集，並通過一個專門的推理監督模型，在紅隊測試中攔截了約 99% 的生物風險對話。

為什麼重要

我們認為，這次釋出真正的分水嶺，是推理模型正式具備了 Agent 的雛形。

過去模型面對複雜問題容易「硬猜」或者陷入死衚衕，而現在的 o3 和 o4-mini 學會了像真人工程師一樣工作：遇到算不清的賬就寫指令碼跑資料，發現資訊過時就自動聯網搜幾次，中途卡住了還會根據工具返回的結果動態調整思路。這種多步協同在大多數情況下能在 1 分鐘內完成，普通使用者做行業調研、開發者做跨檔案排錯，生產力提升都是立竿見影的。

對行業來說，單純卷預訓練引數和做題分數的時代正在加速結束，強化學習在推理階段與工具呼叫的深度結合成了新的主戰場。OpenAI 證明了給模型更多的推理計算和工具許可權，收益依然沒有遇到天花板。

不過隱患也顯而易見：當模型在後臺自主串聯搜尋、執行程式碼並返回最終結論時，普通人很難逐一排查其中某一步是否引用了錯誤網頁或跑偏了中間邏輯。更聰明的工具鏈，也意味著對下游執行環境和許可權管控提出了更高的要求。