OpenAI 壓軸公佈 o3 推理模型：效能超越 o1，跳過 o2

OpenAI 連續搞了十二天的「聖誕連發」，終於在最後一天把壓箱底的底牌翻了出來。

OpenAI 在直播收官戰正式公佈了新一代推理模型 o3 家族，包括完整版的 o3 和更輕量化的 o3 mini。至於為什麼從 o1 直接跳過 o2，原因是西班牙電信旗下早就有一個叫 O2 的通訊品牌，為了避免商標撞車和侵權糾紛，只能跨過這個數字。

不過，目前普通使用者還摸不到它們，OpenAI 這次只是做了技術展示。

刷爆測試集，思考時間還能分三檔

從官方給出的基準測試看，o3 在數學和科學領域全面超越了現有的 o1。它在競賽數學測試 AIME 2024 和涵蓋物理、化學、生物博士級問題的 GPQA 上，都拿出了更強的成績。

更引人注目的是 ARC-AGI 測試。o3 在這個被視為衡量通用人工智慧進展的基準上重新整理了業內最高分，雖然 OpenAI 明確表示它還沒達到 AGI，但離那個目標顯然又近了一步。

一同亮相的 o3 mini 則帶來了一個很實用的設計：支援低、中、高三檔推理設定。思考時間直接決定模型的上限。

在低檔位下，o3 mini 在 Codeforces 程式設計測試裡的表現和之前的 o1-mini 相當；但只要拉到中檔或高檔，它的實力就能追平甚至超越完整的 o1，其他基準測試也呈現出同樣的規律。

什麼時候能用上，以及怎麼管住它

釋出雖早，用上還要等一等。Sam Altman 在直播最後透露，o3 mini 預計在 1 月底正式上線，完整版的 o3 還要排在更後面。

為了摸清底細，OpenAI 首次開放了外部安全測試。外部安全研究人員可以在 1 月 10 日前在官網提交申請，提前拿到測試許可權。

針對這種會自己「琢磨」的推理模型，OpenAI 還端出了一套叫「審慎對齊」（deliberative alignment）的訓練範式。簡單來說，就是直接把人類寫好的安全規範文本教給模型，逼它在正式作答之前，先在推理過程里老老實實對照這些規矩過一遍。

為什麼重要

我們認為，o3 的亮相證明了強化學習推理路線遠沒有撞牆，AI 的軍備競賽已經從單純堆引數卷預訓練，徹底轉向了拼「執行時思考算力」。

對開發者和未來的使用者來說，o3 mini 的三檔調節很有現實意義。以前用 o1 就像開盲盒，不知道它要琢磨多久、花多少 token；以後開發者可以根據業務場景，簡單的活選低檔快速出結果，複雜的難題選高檔慢慢啃，把成本和效能的控制權拿回自己手裡。

OpenAI 這一步走得很聰明，提前展示肌肉能穩固外界對它技術護城河的信心，同時把 1 月底的交付期留給安全測試。不過隱患也寫在明處：讓推理模型在生成隱式思考鏈時自己對照安全規範，看起來邏輯通順，但隨著模型推理能力逼近 ARC-AGI 的高地，這種自我審查到底能不能徹底擋住越獄和對齊漂移，依然要在外部測試裡見真章。