OpenAI o3 完整版上线，GPQA Diamond 得分 87.7%
2025年4月17日，OpenAI 发布 o3 完整版。公司在2024年12月先邀请安全研究人员内部试用，2025年1月31日向所有 ChatGPT 用户和 API 用户放出 o3-mini，免费用户第一次能用上需要“思考”的推理模型。这次 o3 与 o4-mini 同期发布，即日起替换 ChatGPT Plus、Pro 和 Team 用户模型选择器里的 o1、o3-mini 与 o3-mini-high。免费用户可通过“Think”选项体验 o4-mini，开发者走 API，o3-pro 预计几周内发布。
基准分数与价格
据 OpenAI 公布的数据，o3 在 GPQA Diamond 上得分 87.7%，o1 为 78.0%，o3-mini(medium) 为 76.8%。2025 AIME 数学竞赛的成本-性能曲线上，o3 在同等成本下优于 o1。OpenAI 称开发 o3 所用的训练计算量是 o1 的十倍以上，强化学习规模化与 GPT 预训练呈现同样的规律：算力增加，性能提升。外部专家评估显示，处理困难的现实世界任务时，o3 的严重错误比 o1 少 20%，编程、商业咨询和创意构思几项进步明显。
价格方面，o3 每百万输入 token 收 10 美元，输出 40 美元；o4-mini 为 1.1 美元和 4.4 美元。OpenAI 的说法是，多数实际场景中 o3 和 o4-mini 比前代更便宜。
图像留在推理过程里
o3 的视觉能力有一处具体改动：推理全程保留原始图像，可以按需放大、旋转或重看局部，而不是读完静态描述就丢弃。OpenAI 给的一个演示是读取一张质量较低的演出日程照片，规划出每场活动之间留 10 分钟休息的行程，既需要解析版面，也要应用时间约束。这类任务此前更容易在模糊白板、手绘图上出错。
安全上，OpenAI 重构了安全训练数据，在生物威胁、恶意软件生成和越狱等领域补充拒绝提示，并训练了一个推理 LLM 监控程序。在生物风险领域的人工红队测试中，该程序标记了约 99% 的对话。按预防准备框架评估，o3 和 o4-mini 在生物与化学、网络安全、AI 自我改进三个领域均未达到“高”风险阈值。
o3-mini 的自适应思考时长也被保留：简单问题选低推理投入换速度，难任务加投入，成本低于 o3。接下来要看的是 o3-pro 的实际定价和延迟表现。
来源