OpenAI 发布 o3 与 o4-mini 最强推理模型：能思考图片、自动选用工具，数学、编码性能再突破

OpenAI 今日正式发表 o3 与 o4-mini 推理模型，首度实现图像推理与多工具整合，社群看好其推进「AI 代理」的潜力。 （前情提要：OpenAI 传秘密打造「自家社群平台」，剑指死对头马斯克的 X） （背景补充：GPT-5延期！OpenAI先推o3、o4-Mini，Sam Altman自曝：整合比想像中更难） 人工智慧巨头 OpenAI 于今 (17) 日凌晨正式发布两款新一代推理模型——o3 与 o4-mini，强调其「图像推理」与自主使用 ChatGPT 所有工具的能力，引发全球 AI 开发者社群热议，象征着该公司往「代理型 AI」再迈出跨出关键一步。 数学、编码等性能突破 o3 被定位为 OpenAI 目前最强的推理模型，专为复杂的数学、科学、程式码撰写与图像逻辑任务设计，在 SWE-bench Verified（软体工程基准测试）中实现了最先进的效能，得分为 69.1%，领先 Claude 3.7 Sonnet 的 62.3%。 o4-mini 则在保留高推理力的同时，兼顾成本与速度，成为开发者的轻量首选。根据 OpenAI 的测试数据，o4-mini 在 AIME（美国数学竞赛）2024 和 2025 的表现分别为 93.4% 和 92.7%，超越了完整版 o3，成为当前准确率最高的模型；在 Codeforces 比赛中获得 2700 分，跻身全球前 200 名顶尖工程师。 o3 与 o4-mini 延续 o 系列强调的推理导向训练方法，特别设计为「在回应前先思考更久」的模型架构，让 AI 不只是反应快，更能解决复杂、多步骤的问题。这样的设计，也代表 OpenAI 持续走在「更多推理时间 = 更高表现」的技术脉络中，并于强化学习过程中验证该假设。 图像推理首度实现：AI 能「看懂图表、草图与PDF」 最引人注目的更新，在于两款模型首度具备图像推理能力。o3 与 o4-mini 能理解并分析图像，低品质也可以，例如手写白板、模糊 PDF、草图与统计图表，并纳入多步推理流程。这代表 AI 不仅能阅读与回应文字指令，更能「思考」图像背后的逻辑与关联，向真正的多模态代理系统迈进。 除了视觉理解能力提升，模型也能针对图像进行操作，例如旋转、缩放或变形处理，使图像能成为推理链中的一环，解锁跨模态问题的新解法。 多工具整合：从「聊天」走向「解决任务」 两款模型皆能自主调用 ChatGPT 提供的各项工具，包括搜寻、程式执行、DALL·E 图像生成与分析，实现从指令接收、资讯撷取到视觉推理的一体化流程。 不同于以往被动执行的工具使用逻辑，o3 与 o4-mini 具备自主决策能力，能根据问题性质自动选择是否启用搜寻、程式执行或图像生成等工具，展现接近人类专家的工作流程。这种灵活的策略应用方式，也让模型能根据输入动态调整处理顺序与内容，是朝「代理型 AI」迈进的重要里程碑。 OpenAI 并同步推出开源工具 Codex CLI，供开发者在本地终端整合 AI 协助完成程式码撰写与除错。Codex CLI 现已开源，并有百万美元规模的开发补助计划开放申请。 定价与可用性：o4-mini 具「高CP值」优势 o3 模型 API 价格为每百万输入 token 10 美元、输出 token 40 美元；相较之下，o4-mini 仅需 1.10 美元与 4.40 美元，效能虽略逊一筹，却有压倒性成本优势。ChatGPT Plus（20 美元/月）、Pro（200 美元/月）与 Team 用户现已可使用，企业与教育机构将于一周后开放。 OpenAI 透过 o3 与 o4-mini 明确展示「推理型 AI」的进化方向，不仅是语言能力的提升，更首次实现图像理解与工具操作的整合。这两款模型不只是单点更新，更是「ChatGPT 迈向代理 AI」的重要转折。未来推出的 o3-pro（将于未来几周对 Pro 用户开放）与 GPT-5，若能整合此轮技术突破，将有机会定义下一个 AI 世代的产品标准。 相关报导 OpenAI 强化 GPT-4o 冲上排行榜第二！Sam Altman：更懂人话和写程式，创造力大增 OpenAI 重磅宣布：开放 Agents SDK 支援 MCP，串联万物再跨关键一步 OpenAI 新推最强生图模型：精准制作资讯图表、多模态输入、品质逼真难辨，内建于GPT-4o 〈OpenAI 发布 o3 与 o4-mini 最强推理模型：能思考图片、自动选用工具，数学、编码性能再突破〉这篇文章最早发布于动区BlockTempo《动区动趋-最具影响力的区块链新闻媒体》。