12月20日，美国开放人工智能研究中心（openai）介绍了其最新的人工智能（ai）推理模型——o3及其轻量版o3-mini。该公司宣称，o3具备更先进、近似人类的推理能力，在代码编写、数学竞赛和掌握人类博士级别的科学知识等方面，均超越了其“前辈”o1。
不过，英国《新科学家》网站在12月22日的报道中指出，尽管o3“实现了令人瞩目的性能飞跃”，但仍未达到业内翘首以盼的通用AI（AGI）水平。
多方面表现出色
OpenAI公司透露，在解决更复杂的多步骤问题时，o3模型会花更多时间计算答案，然后再给出回应。这一推理能力的提升，使o3在多项测试中表现出色。
大型语言模型热衷于在各种数学基准测试上疯狂“刷分”，o3也不例外。在2024年美国数学邀请赛中，o3模型的准确率高达96.7%，仅答错了一个问题。而在OpenAI研究人员认为最严格的基准测试之一——Frontier Math中，o3也解决了25.2%的问题。尽管这一得分看似不高，但此前其他大型语言模型曾在此“集体翻车”，正确率均未超过2%。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
o3虽然多方面性能均超越其“前辈”o1，但与人类智能仍存在根本差异。图片来源：美国趣味工程网站
OpenAI宣布其新一代AI模型o3取得了突破性成就。
图片来源：英国《新科学家》网站
Frontier Math测试难度极大，曾被华裔数学家、菲尔兹奖得主陶哲轩评价为“可能会难住AI好几年”。然而，o3只需思考几分钟便能解答其中一道题目，而人类数学家则要花费数小时到数天。
在对科学知识的掌握方面，o3的表现也超出一般博士水平。在GPQA Diamond（衡量模型在博士级科学问题上的表现，涵盖化学、物理和生物学方面的专业知识）基准测试中，o3的准确率达到87.7%，超过了人类博士的70%，也比之前o1表现高近10%。
此外，o3的编码能力也比之前的o1系列更胜一筹。在 SWE-bench Verified（衡量AI模型解决现实世界软件问题的能力）基准上，o3的准确率约为71.7%，比o1高20%以上。在Codeforces编码竞赛平台中，o3的得分为2727，相当于榜单上第175名人类编程员的水平，而o1得分仅为1891。
在展示了o3取得的这些傲人成绩后，OpenAI首席执行官奥尔特曼强调，o3的出现标志着AI进入了下一个发展阶段，这些模型可处理需要大量推理的复杂任务。
与人类智能仍有差异
《新科学家》网站还报道，在被视为AGI重要衡量标准的抽象与推理语料库-AGI（ARC-AGI）大赛中，o3模型也创下新纪录：在低算力配置下，它以75.7%的得分登上公共排行榜前列。只因确定此项大奖得主的测试具有更严格的算力限制，在该算力限制下，o3的挑战以失败告终。
睿拓智能网站系统-网上商城1.0免费版软件大小:5M运行环境：asp+access本版本是永州睿拓信息专为电子商务入门级用户开发的网上电子商城系统，拥有产品发布，新闻发布，在线下单等全部功能，并且正式商用用户可在线提供多个模板更换，可实现一般网店交易所有功能，是中小企业和个人开展个人独立电子商务商城最佳的选择，以下为详细功能介绍：1.最新产品-提供最新产品发布管理修改，和最新产品订单查看2.推荐产
不过，在超出官方算力限制172倍的高算力下，o3采用“蛮力”取得了87.5%的成绩，达到了代表人类水平的85%门槛。
对于o3的表现，谷歌前工程师、ARC-AGI主要创建者弗朗索瓦·肖莱在博客中写道，这是AI能力的一次惊人且重要的跃升。但o3尚未实现AGI，因为其仍然无法解决ARC-AGI比赛中一些非常简单的问题，这表明其与人类智能存在根本差异。
AGI是一个假想中的未来系统，它能够模仿人类思维、决策，拥有自我意识，并能自主行动。然而，AGI目前主要活跃在科幻作品中，尚未走进现实。
升级迭代并非易事
o3不仅是OpenAI公司的最新力作，也是AI巨头竞逐大型语言模型的生动写照。
两年前，OpenAI发布了ChatGPT，由此拉开了AI军备竞赛的序幕。从GPT-3.5到更准确、更具创造性的GPT-4，再到o1，直至o3，OpenAI在不断精进自家产品。
其他顶级AI开发商也在利用日益先进的技术，推动自家产品迭代升级。此前不久，谷歌推出了其旗舰模型“双子座”（Gemini）的新版本，据称其速度是上一代的两倍，并且能够“思考、记忆、规划，甚至替代用户采取行动”。元宇宙平台公司计划明年推出Llama 4。
然而，迭代之路并非坦途。包括OpenAI和谷歌在内的几家领军企业，正面临新模型开发耗资巨大但回报递减的困境。OpenAI的GPT-5模型开发工作进展缓慢。据悉，仅6个月的训练，单计算成本就高达约5亿美元，而性能仅比该公司现有产品略胜一筹。
文章来源：科技日报
