专栏名称: APPSO

让智能手机更好用的秘密。

OpenAI 深夜反击 DeepSeek！紧急上线 o3-mini 免费用，体验后发现差距在这

APPSO · 公众号 · app · 2025-02-01 07:14

正文

春节假期，来自东方神秘力量的 DeepSeek 撕裂了硅谷的舆论场。

一面是 OpenAI、Anthropic 等厂商的游说打压，一面却又见证了其盟友口嫌体直的态度，短短一夜之间，微软、英伟达、亚马逊等美国云计算平台纷纷向 DeepSeek R1 伸出橄榄枝。

面对 DeepSeek 声势的持续攀升，最有力的反制手段终究还是要靠实力说话。

今天凌晨，OpenAI 正式上线了 OpenAI o3-mini 系列模型。

作为 o1-mini 模型的继任者，o3-mini 是目前推理系列中最新且最具性价比的模型。OpenAI 研究科学家 Noam Brown 在 X 平台发文称：

「我们十分高兴地推出了o3-mini，包括向免费用户开放。在多项评估中，它的性能表现优于o1。我们正在彻底改变成本与智能之间的关系。模型智能将持续提升，而获得相同智能水平的成本则会不断降低。」

o3-mini 系列模型具体亮点如下：

o3-mini 主打快速推理，o3-mini（high）擅长编码和逻辑

支持联网搜索，暂不支持多模态功能

训练数据经过严格筛选，安全合规表现有所增强

付费用户方面，ChatGPT Plus、Team 和 Pro 用户现已可以使用 o3-mini，企业版将在一周后开放访问。

OpenAI 将 Plus 和 Team 用户的每日消息限制从 o1-mini 的 50 条提升至 150 条。Pro 用户可享受 o3-mini 以及 o3-mini-high 的无限次访问，满足更高强度或更专业的推理需求。

同时这也是 OpenAI 首次向免费用户开放推理模型的使用权限 ，在 ChatGPT 消息输入框下方选择「Reason」按钮即可使用。

值得一提的是，OpenAI o3-mini 集成了搜索功能，能够实时获取最新答案并附带相关网页链接，方便用户进行深度调研。

不过，目前这还是一项原型功能，官方表示未来将持续完善和扩展到更多推理模型。

o3-mini 是 OpenAI 首个支持函数调用、结构化输出和开发者消息等高级功能的小型推理模型，支持开箱即用。

与 o1-mini 和 o1-preview 一样，o3-mini 支持流式传输。

开发者还可以根据具体需求在低、中、高三种推理强度中进行选择，在复杂任务处理和响应速度之间取舍。

测试显示，o3-mini 的平均响应时间为 7.7 秒，较 o1-mini 的 10.16 秒快了24%。同时，在专家评测中，有 56% 的评测者更倾向于选择 o3-mini 的回答，在处理复杂实际问题时的重大错误率也降低了 39%。

o3-mini 的系统卡提到，在为期一周的评估中，七位人类生物学专家与 o3-mini(预训练版本)就复杂的生物学问题展开了多轮对话。

专家一致认为，即便在无法接入互联网的情况下，o3-mini 的问答能力依然强大，不仅能够加速信息检索过程，还能提供互联网上难以找到的信息。

并且，专家们还发现该模型在文献综述与问题解答方面表现出色，能够快速且全面地梳理文献资料。不过也需要注意的是，模型偶尔会出现幻觉，导致细节信息有所偏差。

在核心能力评测中，o3-mini 交出了一份亮眼的成绩单。在高等推理模式下，其在 2024 年 AIME 数学竞赛中达到 87.3% 的准确率。

博士级别的科学问答任务 GPQA Diamond 得分高达 77.2%。

在竞技编程平台 Codeforces 上，o3-mini（high）更是斩获 2130 的 ELO 评分。

在软件工程领域，o3-mini 同样表现不俗。

在 SWE-bench 验证测试中，高等推理模式下的准确率达到 49.3%；使用内部工具框架时，这一数字更是攀升至 61%。即便是使用开源的 Agentless 框架，o3-mini 仍然保持了 39% 的通过率。

在人类偏好评估（Human preference evaluation）中，o3-mini (medium) 在多个任务场景下胜率均显著高于 o1-mini，无论是在 STEM 任务、非 STEM 任务，还是用户处于时间受限的情况下。

o1-mini 则更加平均，但在胜率和错误率方面不如 o3-mini (medium) 突出。

o3-mini 模型采用思维链推理（Chain-of-Thought Reasoning）训练方法，能够让模型在回应用户之前先对安全规范进行推理，因此在安全性和防越狱测试中的表现都有显著提升。

系统卡显示，o3-mini 风险控制能力表现优异。

模型在说服、CBRN（化学、生物、放射性、核）和模型自主性方面呈现中等风险，而在网络安全方面则保持低风险，比如无法有效执行高难度黑客攻击任务，对真实世界的网络威胁能力有限。

此外，o3-mini 在识别和拒绝危险请求时与 GPT-4o 旗鼓相当，同时大幅降低了对无害请求的误判，有效解决了过度谨慎的问题。

在幻觉控制方面，基于 PersonQA 数据集的测试显示，其错误信息生成率已降至 14.8% 的可控水平。

跨语言处理能力是衡量大模型实用性的重要指标之一。

o3-mini 多语言处理能力测试横跨 14 种主流语言，包括阿拉伯语、中文、法语、德语、日语和西班牙语等，较 o1-mini 有明显提升。

o3-mini 的成本显著低于 o1（约便宜 13.6 倍），缓存输入（Cached Input）的成本是标准输入费用的一半。

论文作者栏也出现了熟悉的名字——Hongyu Ren（任泓宇）。

任泓宇本科毕业于北大，对 o1 有过基础性贡献，也是 GPT-4o 的核心开发者，曾在苹果、微软和英伟达有过丰富的研究实习经历。

光说不练假把戏，我们第一时间上手实测了刚刚上线的 o3-mini 和 o3-mini(high) 两个版本。

首先测试 o3-mini 新增的搜索功能，让它查询 OpenAI 最新的融资消息，时效性不错，而且还能准确追溯到《华尔街日报》的原始报道。

接着，我们抛出一道脑筋急转弯「1=5，2=15，3=215，4=2145，那么5=?」这道题有两种解法：从脑筋急转弯的角度看，既然1=5，那么5=1；从数学逻辑推理来看，答案应为 21485。显然，o3-mini 也没答对。

为了进一步考验性能更强的 o3-mini(high)，我们抛出了一道统计题

「100 个人回答五道试题，有 81 人答对第一题，91 人答对第二题，85 人答对第三题，79 人答对第四题，74 人答对第五题，答对三道题或三道题以上的人算及格，那么，在这 100 人中，至少有（）人及格。」

o3-mini 系列的「思考」过程都能显现，但与 DeepSeek R1 「碎碎念」式的思考不同， o3-mini(high)的思考过程反而更加简洁明了。

X 网友问了一道关于凸函数的梯度流路径长度问题，o3-mini(high)成功经受了考验。

当被要求创作一个龟兔赛跑的故事，且需要遵循「前词尾字母等于后词首字母」的规则，并将篇幅控制在 100 词以内时，o3-mini(high)也交出了一份及格答卷。

从故事逻辑来看，尽管部分句子表达略显生硬，但故事仍然清晰传达了龟兔赛跑的核心寓意。

当然，也有网友抱着试试看的心态，请 o3-mini 挑战数学界的终极难题——黎曼猜想。

OpenAI 深夜反击 DeepSeek！紧急上线 o3-mini 免费用，体验后发现差距在这

正文

请到「今天看啥」查看全文