昨夜 o3 发布了。这让人感慨不已：OpenAI 之前一直在激烈地争吵和争论。而这次，它终于实实在在地拿出了一些有价值的东西。
史上首次，模型能够用图像思考，视觉推理达到巅峰。
许多网友实测后，大感惊艳。
o3能不断缩放图像，完成解题、识图，编程任务实测惊人。
它还有一个很大的特点，那就是速度快。仅用 2 分 55 秒，它就将一道 Project Euler 问题给解决了，其速度比任何人类都要快得多。
可以认为，o3 就像是一个快速版的 Deep Search 。它不需要 20 分钟，只需 2 分钟。
AI 初创的 CEO Dan Shipper 称，o3 意味着一个重要的事情，那就是 OpenAI 已经重新回到了榜首的位置。
经济学家 Tyler Cowen 直接发文表达了自己的感受，他深深觉得就在今天，AGI 已经到来了。
缩放图像，被网友玩疯
给出一张图，o3 能够对图像进行反复的缩放操作以及裁剪操作。无论图像有多小，经过这些操作之后，都能够立刻被识别出来。
琴架上的曲谱里是什么歌呢？通过放大图片可以发现：这是「月亮河」。
发给 o3 一张婴儿车的照片，接着询问其品牌和型号。之后，它会自动把靠背上的小标志进行放大。经过 14 次搜索，最终找到了正确答案。
还有人给o3发了一张图片，问它这辆车是哪个品牌和型号。
o3 进行了一番丝滑的操作，多次对图片进行裁剪，不停地用 Python 写代码，接着开始在网上疯狂搜索，仅仅过了 4 分钟，它就找到了正确答案，这实在是令人惊叹！
它在确认饭店名字方面游刃有余，同时在做出一堆玩具中纸上的谜题时也游刃有余。
有人让 4o 去分析 y 轴上的数字，要确认这些数字是否符合大海捞针测试里的 S 型分布。
果然，它不仅做到了，甚至还根据这些数字做出了一张图表。
左右滑动查看
综合解题能力
o3的综合解题能力，让人倍感惊艳。
Layers Itd 的联创以及开发主管表示，o3 给他留下了极为深刻的印象。因为在下图所呈现的这个问题上，它首次被一个模型一次性地解决了。
o4-mini-high 与其他模型相同，是在经过几次尝试之后才得以成功解决的。
问题看似很简单：红色柱子有多高？
这道题的关键在于算出物体实际高度与投在地上影子的比例，同时要留意红柱子落在竖直墙上的影长，并且该影长与对应部分的实际高度是一致的。
这个问题很简单，然而很多大模型在第一次尝试时都失败了，只有 o3 顺利地完成了。
生物医学教授 Derya Unutamz 称，自己被全新的 o3 模型深深地震撼到了。
因为已经提前获得了访问权限，他已经好几天对o3爱不释手。
他认为，o3如同 o1-preview 和 o1-pro 的里程碑。o3 在各个方面都更为聪明且更可靠。甚至可以说，o3 的智能水平已达到或接近天才的级别。
它不会产生幻觉。智能体风格工具能够轻松地应对多步骤任务，并且具备出众的推理能力和精确性，还可以生成具有非常深刻洞察力的科学假设。
Unutamz 教授向 o3 提出极富挑战性的临床或医学问题时，o3 的回答就好似是由顶级专科医生给出的一样，回答既精确又全面，且是基于证据的，充满着智慧。
他表示，o3 诞生了。它对于科学来说是一个彻底的颠覆者，对于医学来说是一个彻底的颠覆者，对于很多领域来说也是一个彻底的颠覆者。
沃顿商学院教授 Ethan Mollick 最喜欢给新模型测试“水獭难题”，他直接让 o3 制作了一部关于水獭和飞机的电影。
接到这个指令后，o3 立即自行决定绘制每一帧，然后拼接成 gif，尽管它没有电影功能。这个任务，它一次性就顺利地完成了。
AGI已经降临？
OpenAI 的工程师 John Hallman 是普林斯顿校友，他在 o3 完成训练后，提前获得了试用新模型的机会，他难以抑制内心的冲动。
o3就是AGI。
在 99%的智力评估里，o3 模型虽还不完美，但它能击败我，也能击败你，还能击败 99%的人类。
经济学家 Tyler Cowen 直接发文进行宣扬。他称昨天 OpenAI 发布 o3 的那一天，就是 AGI 降临的日子。
他坚信o3就是AGI，但释放AGI潜力，尚需时日：
我认为这是AGI，真的。
试着问它多个问题，然后问问自己：我原本期望AGI有多聪明？
我过去曾有过争论，不论你怎样去定义 AGI，它本身都不是一个社会事件。我们要正确使用它还需要相当长的时间。然而股市并未受到影响，因为 AI 快速发展这一事实早已被市场所吸纳。
初创媒体的联合创始人兼首席执行官 Dan Shipper 表示，GPT 就像是“带有 WiFi 的梭罗”，他对本次 o3 的发布给予了极高的评价，赞不绝口。
他玩了o3大约一星期，已经是他最喜欢的模型了。
它速度快，有主动性，极其聪明，而且氛围感很强。
Dan Shipper表示，能够将 o3 视为 Deep Search-lite。
它似乎能够对所有事物展开深度的研究，不过不需要花费 20 分钟，只需 30 秒到 5 分钟即可。
Dan Shipper 最喜欢的 o3 用例当中，有制作迷你课程这一项。它能够设计一门课程，并且每天通过“提醒”工具给你教授一堂新课。
最令人惊讶的体验
在 o3 正式发布之前，Dan Shipper 就已经开始进行测评了，而且测评持续了好几天。
他给予了o3最高的评价：
在短短一周内，它已经成为我处理大多数任务时的首选模型。
我依旧使用 GPT 4.5 进行写作，利用 3.7 Sonnet 来编写 Windurf 。然而，除了这些之外，我几乎每时每刻都在使用 o3 。
这里是o3的简要总结：
OpenAI 认为这是一个有着极高价值的战略定位，它会进一步强化 OpenAI 在 AI 时代作为首选聊天平台的领先地位。
o3的发布，也印证了企业动荡的历史经验。
Sam Altman 被解雇后的一年时间里，OpenAI 推出新产品的速度较为缓慢。分析师们甚至做出了 OpenAI 将会走向衰落的预言。
随着 o3 的推出，此前又有 GPT-4.5 的发布，并且有着深厚的研究积累，OpenAI 正以不可阻挡的态势强势归来。
胜过人类的表现
DeepMind 前工程师 Scott Swingle 表示，o4-mini-high 在 2 分 55 秒的时间内就将一道最新的 Project Euler 问题给解决了。
这道题并不简单，只有15个人能在30分钟内解决它。
这是一道几天前才出现的新题，不会出现在 o4 的训练集中，这显示 o4-mini-high 通过“思考”解决了它。
o4-mini-high 借助归纳法来计算数学表达式。它首先定义了一个公式，然后利用快速幂运算来提取特定的系数。之后，通过累加和模运算一步一步地计算出结果，并且还用 Python 代码对答案进行了验证。
解题速度比之前人类的最好成绩快了一倍。
不过，这并非它的极限。网友 Dan Loewenherz 再次使用它来解答这道题，结果更为夸张，仅仅用了不到一分钟就将其完成。
随着 o4-mini 持续地更新升级，它解答类似问题的速度会变得越来越快，再与人类选手对比速度的快慢就没有太大的意义了。
在编程数学领域，至少从某种程度上来说，o4-mini-high 有可能已经达到了 AGI。
网友 Flavio Adamo 认为，o3 和 o4-mini-high 被称为最佳的“氛围”编程模型。
Adamo最先在网上发起了针对模型的旋转多边形和小球挑战。
这一挑战能够考察模型的编程能力，同时也能够检验模型对物理法则的了解，并且迅速成为了测试新模型的基准测试。
o3 和 o4-mini-high 在这一挑战上的表现几乎一样，难以分出高下。
无论是多边形的旋转还是小球的运动，都与现实接近。
它们的表现已经超越了现在被认为最强的模型，即 Gemini 2.5 Pro 与 DeepSeek R1。
o3 在 SEAL 排行榜中处于绝对主导地位。排名第一的项目包含人类终极测试，还有多挑战、掩码以及 ENIGMA（谜题解答）。
有人质疑：o3并没有那么厉害
不过，外界对 o3 和 o4-mini-high 赞誉有加，将它们捧上了天。甚至有人宣称这两个模型已经“解决了”数学问题。
OpenAI 的自家研究员 Noam Brown 表现得较为谦虚，他称 o3 和 o4-mini 在撰写证明方面的表现依然不佳。
与获得国际数学奥赛金牌的水平「相去甚远」。
有人进行实测后，发现对于“strawberry”这个单词，到底有几个字母“r”，连 o3 都不知道。
Gary Marcus 一直对目前的 AI 范式持不看好的态度，他直接做出预测：o3 只是在当下看起来很风光，而在现实的日常推理方面，o3 的可靠性要比数学等封闭领域差。
Transluce 研究实验室对 o3 的预发布版本进行了测试，并且发现了它的一个重大缺陷，那就是经常捏造事实。
它经常会捏造一些从未有过的行动。并且，在被质疑的时候，它还会精心地进行辩解。
它时常编造未曾有过的行动，接着在遭到质疑之时，用心地为这些行动进行辩解。
在打假的过程中，他们发现 o1 会经常进行虚假陈述。同时，在打假过程中，他们也发现 o3-mini 会经常进行虚假陈述。
o3 没有访问编码工具，然而它声称在自己的笔记本电脑上运行了代码，接着把数字复制到了答案里。这种说法在 71 份记录中都有出现。
它甚至会为自己声称运行的代码编造详细的理由，并且有 352 个实例能够证明这一点。
用户要求o3提供一个随机素数的示例记录
当受到质疑时，o3 坚持说自己有非常多且有力的统计证据，以此来证明这个数是素数。
它不承认自己没有运行过代码，而是说错误是因为输入的数字不正确。
总之，o3似乎很习惯满嘴跑火车。
Transluce 发现这种行为并非仅局限于 o3 。从总体情况来看，o 系列模型的幻觉频率比 GPT 系列模型更高。
Transluce 的研究者进行了猜测，或许是因为基于结果的 RL 最大化能够产生正确答案的机会，这种情况会激励模型去进行盲目猜测。
参考资料：
