2 月 1 日消息，OpenAI 正式上线 o3-mini，并从即日起在 Chat Completions API、Assistants API 和 Batch API 中逐步向层级 3-5 的开发者推出。ChatGPT Plus、Team 和 Pro 用户可率先使用，企业用户一周后可访问。

　　o3-mini 是 OpenAI 首款支持开发者需求功能的小型推理模型，继承 o1-mini 的低成本、低延迟优势，并支持函数调用、流式传输、结构化输出等功能。开发者可根据需求选择推理强度，平衡思考深度和响应速度，但不支持视觉任务，视觉推理仍需使用 o1。

　　此外，o3-mini 现已支持与搜索功能结合，能够提供最新答案并链接至相关网络资源。这标志着 OpenAI 正在将搜索功能逐步整合到其推理模型中。

　　有外媒将 o3-mini 和 DeepSeek 的 R1 模型进行了对比，在用于衡量模型理解和响应复杂指令能力的 2024 年美国数学邀请赛（AIME）测试中，o3-mini 仅在高推理强度下表现优于 R1。在以编程为重点的 SWE-bench Verified 基准测试中，o3-mini 同样仅在高推理强度下以微弱优势（0.1 分）领先 R1。然而，在低推理强度下，o3-mini 在博士级科学问题（GPQA Diamond）基准测试中落后于 R1，该测试主要用于衡量模型在博士级别物理、生物和化学问题上的表现。

　　聚焦 STEM 领域推理优化

　　OpenAI 表示，o3-mini 专注于 STEM 领域（Science、Technology、Engineering、Mathematics）的相关问题以及逻辑推理问题。也就是说，这个模型在涉及技术性、复杂性较高的任务时表现出色，能帮助开发者解决代码编写、数学计算、工程设计等方面的挑战。

　　根据 OpenAI 介绍，在中等推理强度下，o3-mini 在数学、编程和科学等 STEM 领域与 o1 模型相当，并且更快速、准确，推理能力更强。专家评测显示，o3-mini 的回答更准确、清晰，重大错误率降低 39%，测试者 56% 的时间更倾向于选择 o3-mini 的回答。

　　OpenAI 在官方博客中也将 o3-mini 的性能与 o1 系列进行了比较：

• 在低推理强度下，o3-mini 的表现与 o1-mini 相当；

• 在中等推理强度下，o3-mini 的表现与 o1 相当。在数学、编程和科学领域，o3-mini 以更快的响应速度实现了与 o1 相当的性能；

• 在高推理强度下，o3-mini 的表现优于 o1-mini 和 o1。

　　值得注意的是，在某些领域，o3-mini 相对于 o1 的性能优势较为微弱。例如，在 2024 年美国数学邀请赛（AIME）测试中，o3-mini 在高推理强度下仅比 o1 高出 0.3 个百分点。而在博士级科学问题（GPQA Diamond）基准测试，即使在高推理强度下，o3-mini 也未能超过 o1 的得分。

　　2024 年美国数学邀请赛（AIME）

　　注：在数学领域，OpenAI 的 o3-mini 模型展现了不同的推理强度下的多样化性能。在 2024 年美国数学邀请赛（AIME）测试中，当推理强度设置为低时，o3-mini 的表现与 o1-mini 相当；在中等推理强度下，o3-mini 的性能与 o1 模型相当。当推理强度调至高时，o3-mini 的表现超越了 o1-mini 和 o1。这表明 o3-mini 在不同推理强度下能够灵活适应不同的任务需求，为用户提供更精准、高效的解决方案。

　　博士级科学问题（GPQA Diamond）

　　FrontierMath（高级数学推理基准测试集）

　　注：在研究级数学领域，OpenAI 的 o3-mini 模型在高推理强度下于 FrontierMath 基准测试中的表现优于 o1-mini。在 FrontierMath 测试中，当提示使用 Python 工具时，高推理强度的 o3-mini 在首次尝试中解决了超过 32% 的问题，其中包括超过 28% 的高难度（T3 类别）问题。

　　编程竞赛（Codeforces）

　　注：在编程竞赛领域，OpenAI 的 o3-mini 模型随着推理强度的增加，Elo 评分逐步提高，全面超越了 o1-mini。在中等推理强度下，o3-mini 的性能与 o1 持平。

　　软件工程（SWE-bench Verified）

　　注：在 SWE-bench Verified 基准测试中，o3-mini 是 OpenAI 表现最为出色的模型。在高推理强度下，o3-mini 的表现显著优于 o1-mini。其中：使用开源的 Agentless scaffold，o3-mini 的准确率为 39%；使用内部工具 scaffold，o3-mini 的准确率提升至 61%。

　　LiveBench Coding（评估大型语言模型在编程任务中的表现）

　　人类偏好评估（Human Preference Evaluation）

　　注：外部专家测试者的评估结果表明，OpenAI 的 o3-mini 在生成回答的准确性、清晰度以及推理能力方面均优于 o1-mini，尤其是在 STEM 领域。测试者在 56% 的情况下更倾向于选择 o3-mini 的回答，并且在处理复杂现实问题时，o3-mini 的重大错误率降低了 39%。

　　OpenAI 表示，Plus 和 Team 企业用户的速率限制从每天 50 条消息（使用 o1-mini）提升至每天 150 条消息（使用 o3-mini）。并且，免费用户也可通过“推理”选项体验 o3-mini，这是 ChatGPT 首次向免费用户开放推理模型。

　　价格“骨折”、安全性更高了

　　在春节期间备受关注的国产大模型 DeepSeek，其 R1 模型的推出对 OpenAI 构成了竞争压力，尤其在成本方面呈现出显著差异。OpenAI 的推理模型 o1 系列相对成本较高，o1 模型的 API 定价为每百万输入 tokens 15 美元，每百万输出 tokens 60 美元，而 DeepSeek R1 的 API 定价为每百万输入 tokens 0.14 美元（缓存命中）/0.55 美元（缓存未命中），每百万输出 tokens 2.19 美元。

　　这次发布中，OpenAI 强调了成本问题。与 OpenAI 的 o1-mini 相比，o3-mini 的价格降低了 63%。o3-mini 定价为每百万输入 tokens 1.10 美元，每百万输出 tokens 4.40 美元， 可谓是打了“骨折价”。不过，相比 DeepSeek-R1，o3-mini 的价格依然高出了不少。

　　禁止内容评估（Disallowed Content Evaluations）

　　越狱评估（Jailbreak Evaluations）

　　安全方面，OpenAI 表示，在训练 o3-mini 以实现安全响应的过程中，采用了一种关键技术--“深思熟虑的对齐（deliberative alignment）”。通过这种方法，OpenAI 训练模型在回答用户提示之前，先对人类编写的安全规范进行推理。我们可以理解为，OpenAI 希望确保 o3-mini 生成的内容更加安全、符合道德，并降低了模型生成不良或有害响应的风险。

　　与 OpenAI o1 类似，o3-mini 在应对具有挑战性的安全和越狱评估时，表现显著优于 GPT-4o。在部署之前，OpenAI 使用与 o1 相同的方法，对 o3-mini 的安全风险进行了仔细评估，包括准备性评估、外部红队测试以及安全性评估。

　　总之，o3-mini 的正式上线，标志着 OpenAI 在推动成本效益型智能发展方面迈出了重要一步。通过优化 STEM 领域的推理能力并保持低成本，这一模型也延续了 OpenAI 降低智能成本的记录。（腾讯科技特约编译无忌、Helen）