【新智元导读】OpenAI 新模型全网实测惊艳来袭！o3 缩放图像被玩疯，o4-mini 速解 Project Euler，碾压人类。AI 初创 CEO 说，OpenAI 凭此一役已经重回榜首，甚至有经济学家直言 AGI 已经来临！
昨夜 o3 的发布，让人不尽感慨：打了这么久嘴炮的 OpenAI，这回终于实实在在拿出了点真东西。
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。
还有一大特点，就是速度快！只用 2 分 55 秒，它就解决了一道 Project Euler 问题，速度秒杀任何人类。
甚至可以认为，o3 是一个快速版的 Deep Search，但不需要 20 分钟，只需要 2 分钟。
AI 初创 CEO Dan Shipper 表示，o3 意味着一件大事------OpenAI 已经重回榜首！
经济学家 Tyler Cowen 甚至直接发文，深感就在今天，AGI 已经降临！
缩放图像，被网友玩疯
给出一张图，o3 就可以反复缩放和裁剪图像，多小的图，经过这一番操作后都能马上被识别出来。
比如琴架上曲谱里是什么歌，它通过放大图片就能发现：这是「月亮河」。
发给 o3 一张婴儿车的照片，询问品牌和型号后，它会自动放大靠背上的小标志，经过 14 次搜索后，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 一番丝滑操作，多次裁剪图片，不停用 Python 写代码，然后开始在网上狂搜，仅仅 4 分钟后，它就找到了正确答案，堪称惊人！
上下滑动查看
无论是确认饭店名字，还是做出一堆玩具中纸上的谜题，它都游刃有余。
有人让 4o 来分析 y 轴上的数字，确认它们是否符合大海捞针测试中的 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 的联创兼开发主管称，o3 实在令他印象太深刻了，因为下图中这个问题，第一次被一个模型一次性解决了！
而 o4-mini-high 则是和其他模型一样，在几次尝试后才成功解决。
问题看似很简单：红色柱子有多高？
这道题的精髓，无非就是算出物体实际高度和投在地上影子的比例，另外要注意红柱子落在竖直墙上的影长，跟对应部分的实际高度一致。
如此简单的问题，却让很多大模型第一次都折戟了，只有 o3 顺利做出。
而生物医学教授 Derya Unutamz 表示，自己被全新的 o3 模型彻底震撼了！
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。
在他看来，o3 就像 o1-preview 和 o1-pro 的里程碑，但在各个方面都更聪明、更可靠，甚至可以说，o3 的智能水平已经达到或接近天才级别。
它从不产生幻觉，智能体风格工具能轻松处理多步骤任务，还具备非凡的推理能力和精确性，能生成极具洞察力的科学假设。
当 Unutamz 教授向 o3 提出极有挑战性的临床或医学问题时，它的回答仿佛来自顶级的专科医生，精确、全面、基于证据、充满智慧。
他表示，o3 的诞生，对于科学、医学及很多领域，都是一个彻底的颠覆者。
而最喜欢给新模型测试「水獭难题」的沃顿商学院教授 Ethan Mollick，则直接让 o3 制作了一部关于水獭和飞机的电影。
接到这个指令后，o3 虽然没有电影功能，立即自行决定绘制每一帧，然后拼接成 gif。这个任务，它一次性顺利完成。
AGI 已经降临？
OpenAI 的工程师、普林斯顿校友 John Hallman，在 o3 完成训练后提早有了试用新模型的机会，他难掩内心冲动：
o3 就是 AGI。
虽然还不完美，但在 99% 的智力评估中，o3 模型能击败我、你乃至 99% 的人类。
经济学家 Tyler Cowen，直接发文宣扬：昨天 OpenAI 发布 o3 之日，就是 AGI 降临之日。
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？
正如我过去所争论的，无论你如何定义 AGI，它本身并不是社会事件。我们仍然需要很长时间才能正确地使用它。但股市不为所动，因为 AI 快速发展的事实早已被市场消化。
初创媒体联合创始人 / 首席执行官 Dan Shipper，称 ChatGPT 是「带 WiFi 的梭罗」，对本次 o3 的发布更是赞不绝口！
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，可以把 o3 看作是 Deep Search-lite。
它仿佛可以对所有事物进行深度研究，但并不需要花 20 分钟，而是只要 30 秒到 5 分钟。
而 Dan Shipper 最喜欢的 o3 用例之一，是制作迷你课程。它可以设计一门课，每天用「提醒」工具给你上一堂新课。
最令人惊讶的体验
在 o3 正式发布之前，Dan Shipper 已提前测评了好几天。
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。
我仍然用 GPT 4.5 来写作，用 3.7 Sonnet 来编程 Windurf，但除此之外，我几乎无时无刻不在使用 o3。
这里是 o3 的简要总结：
-
它具备自主能力：你只需给它一个任务，30 秒或 3 分钟后回来，它就能给出详细的回答。它可以利用搜索、代码解释器、提醒和记忆等工具，编写复杂的功能等等。
-
它很快，非常流畅：速度是智能的一部分。在测试中，o3 在这一维度上始终比 Anthropic 和 Google 的前沿推理模型（分别是 Claude 3.7 Sonnet 和 Gemini 2.5 Pro）要快。使用起来非常顺畅。
-
它非常聪明：虽然现在没有基准数据，但给它喂了一些专家级的数独题目，它第一次就解出来了。Gemini 2.5 Pro 和 3.7 Sonnet 都没能解决。
-
它突破了 ChatGPT 的一些旧局限：因为它具备自主代理能力，旧规则不再适用。它让 ChatGPT 变得更加实用。
-
在社交上，它不那么尴尬，也不像 3.7 Sonnet 那样过于刻意：o3 会专注于解决问题。似乎比其他 o 系列模型更有「人情味」，与它交流更有趣；尽管它的写作能力不如 GPT 4.5（安息）或 Sonnet 3.5，但仍然非常不错。
对 OpenAI 而言，这是一个极具价值的战略定位，将进一步巩固其作为 AI 时代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。
在 Sam Altman 被解雇后的一年里，OpenAI 新产品发布缓慢，分析师们甚至预言其将走向衰落。
而随着 o3 的推出，以及此前 GPT-4.5 的发布和深厚的研究积累，OpenAI 正以势不可挡的姿态强势回归。
胜过人类的表现
前 DeepMind 工程师 Scott Swingle 称，o4-mini-high 只用了 2 分 55 秒就解决了一道最新的 Project Euler 问题。
这道题并不简单，只有 15 个人能在 30 分钟内解决它。
而且这还是一道几天前才出来的新题，不可能出现在 o4 的训练集中，这表明 o4-mini-high 依靠「思考」解决了它。
o4-mini-high 通过归纳法计算数学表达式，它先定义一个公式并用快速幂运算提取特定系数。接着通过累加和模运算逐步计算出结果，并用 Python 代码验证了答案。
解题速度比之前人类的最好成绩快了一倍。
不过，这还不是它的极限，网友 Dan Loewenherz 用它又解了一遍这道题，结果这次更夸张，只用了不到一分钟就搞定。
随着 o4-mini 不断的更新升级，它解答类似问题的速度也会越来越快，与人类选手对比速度快慢也就没太大意义了。
换句话说，至少在编程数学领域，o4-mini-high 可能已经达到了 AGI。
网友 Flavio Adamo 更是认为称 o3 和 o4-mini-high 为最佳「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。
这一挑战既能考察模型的编程能力，也能检验模型对物理法则的了解，迅速成为测试新模型的基准测试。
o3 和 o4-mini-high 在这一挑战上的表现完美，甚至不相上下。
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被认为是现在最强的模型 Gemini 2.5 Pro 与 DeepSeek R1。
o3 正在绝对主导 SEAL 排行榜，排名第一的项目有：人类终极测试（Humanity's Last Exam、多挑战（MutiChallenge）、掩码（Mask）以及 ENIGMA（谜题解答）。
有人质疑：o3 并没有那么厉害
不过，虽然外界多把 o3 和 o4-mini-high 吹上了天，甚至有人喊出这两个模型已经「解决了」数学问题。
但 OpenAI 的自家研究员 Noam Brown 却表现得比较谦虚，他说 o3 和 o4-mini 在撰写证明方面仍然表现不佳。
与获得国际数学奥赛金牌的水平「相去甚远」。
更有人实测后，发现 o3 还是不知道「strawberry」里到底有几个字母「r」。
Gary Marcus 一贯不看好目前的 AI 范式，直接预测：o3 只是风光一时，在现实的日常推理中，o3 的可靠性不如数学等封闭领域。
Transluce 研究实验室测试了 o3 的预发布版本，也发现了它的重大缺陷------经常捏造事实！
它不仅经常捏造从未采取过的行动，甚至还在被质疑时会精心辩解。
它经常捏造从未采取过的行动，然后在被质疑时精心为这些行动辩解。
甚至在打假过程中，他们发现 o1 和 o3-mini 也会经常进行虚假陈述。
尽管 o3 没有访问编码工具，但它却声称在自己的笔记本电脑上运行了代码，然后将数字复制到了答案中。这种说法，出现在了 71 份记录中！
甚至，它还会为自己声称运行的代码编造详细的理由，在 352 个实例可以证明这一点。
用户要求 o3 提供一个随机素数的示例记录
当被质疑时，o3 嘴硬辩称，自己有压倒性的统计证据，证明这个数是素数。
它拒不承认自己从未运行过代码，而是声称错误是源于输入数字不正确。
总之，o3 似乎很习惯满嘴跑火车。
而且 Transluce 发现，这种行为并不局限于 o3。总体来说，o 系列模型的幻觉频率要高于 GPT 系列模型。
Transluce 的研究者猜测，或许是基于结果的 RL 最大化产生正确答案的机会，会激励模型去盲目猜测。
参考资料：