OpenAI发布o3和o4mini，看图不过脑子的大模型开窍了

来不及怀念月底即将消亡的GPT4了！

也来不及取笑价格最高，号称最强非推理模型的GPT4.5反而要被GPT4.1 API取代了！

现在迎面走来的是，取代 o1、o3-mini 和 o3-mini-high 的：

o3、o4-mini和o4-mini-high

说实话，我刚看到的时候是懵的，

凭借着隔壁好邻居 Grok3，才算是整理出了这次更新的所有内容，先来说说结论：

• 推理模型首次能自主组合 GPT 里所有工具，包括网页搜索、Python 编程、图像分析、文件解析和图像生成。
• o3、o4-mini是首个能“思考”图像内容，将图像信息整合到思维链的模型
• 支持完整工具集的 o3-pro 将在几周后推出，不过o1-pro还活着，暂时不会被下架
• 使用 Responses API 新支持了推理摘要功能, 通过保留调用各种工具时的思考过程来提升性能
• 目前 Plus、Pro、Team 用户可使用

发布会里演示的“看图思考”就让o3在图里找出最大的船只、以及推测这首船最后会停靠在哪里。

按照官方技术报告，o3、o4-mini的具体能力是能识别图表、扫描页、截图、手绘图等复杂图像。还可以主动放大、旋转、裁剪图像，作为思考的一部分。

所以我尝试在一次对话让o3把所有工具都用一遍：

切割查看图里的每一个组件，结合联网搜索，解释它们的定义，并以代码形式告诉我如何最简单做一个mcp server，最后生成一张同样的图，但是解释的文字用中文

直接看看结果，

o3 是真的可以在单轮对话里兼顾图像分析、生图、代码生成和联网搜索，我的评价是比 Deep Research好玩多了。

接下来我还给o3安排了一个看花眼的任务：

找不同，并用红框框出来

这个输出就更离谱了，

从 o3 的思考过程看出，它能加载图像并将其分成两半（左侧图像将从 x=0 裁剪到 319，右侧图像从 x=320 裁剪到 639）。然后，通过Python代码将两半图像都转换为灰度图、应用阈值并使用形态学运算进行清理来查看它们之间的差异。

换句话来说，

以后我们应该都不需要上传图片后，

还自己手动给模型补充背景知识了。

那再来看看具体的数值表现：

1. o3 刷新 Codeforces、SWE‑bench 及多模态 MMMU 纪录

2. o4‑mini 在 AIME 2024/2025 与 GPQA Diamond 等基准上，明显优于 o3-mini。

3. API 定价上，o3比o1便宜33%，o4‑mini跟o3-mini、o1-mini保持了一样的价格。

上面这幅定价图就是我跟o3对话生成的，

几轮对话体验后，个人感觉是思考动画质感有提升（跟 Grok3 有点像），能明显感到思考时间提升，以及搜索网页数量的增多。

BTW，这里有个小彩蛋，内部测试的管 o3 叫精简版 Deep Research。

小遗憾的是，主打能将图片放入思考过程的 o3 和 o4-mini 目前在多模态能力平台上没打过 Gemini 2.5 Pro

除了模型之外，OpenAI这次没有按照惯例追着 Gemini 打了。

反而是推出了一个叫开源的Codex CLI的 Agent，再加上前天发布，也是重点提升了编程能力的 GPT4.1，很难不临想到针对的是隔壁的编程之王Claude.

简单来说，Codex CLI可以运行在本地的终端上，并作为一个链接模型和本地代码的接口。

 写在最后 

o3、o4-mini 的登场，

像是给 GPT4 的离去献上了一场盛大烟花，

我一开始没写 GPT4.1，是因为觉得它的诞生是为了取代 GPT4.5 超高的成本。

GPT4 需要一个真正意义上，在 ChatGPT 这个页面上完全能取代它的新模型。

继承大家对它，对 AGI 的期待。

在模型更新迭代上，

我们告别了GPT3.5、GPT4，

见证了 OpenAI 从 GPT 系列转向以推理为核心的o系列，

甚至还将迎来第一个推理模型o1的离去。

有时候，我还是希望这些模型只是短暂沉睡在自己的权重文件里，

等待着我们重新唤醒TA，

再一次说声Hi,GPT!

@ 作者 / 卡尔@ 动手学AI知识库 / learnprompt.pro