o3-mini

今天凌晨，OpenAI 发布了其最新的推理模型，o3-mini 系列。

推荐使用GPT中文版,国内可直接访问：https://ai.gpt86.top 

这次发布的 o3 包含推理强度为低、中、高三个选项，目前 GPT 聊天中已可体验中等推理强度的 o3-mini 和高推理强度的 o3-mini-high 模型。

在 Humanity's Last Exam 的最新测评基准中，o3-mini-high 模型的准确率和校准误差均优于 DeepSeek R1 模型：

技术报告

与 o1 类似，o3-mini 针对 STEM 推理进行了优化：

o3 mini 对比 o1：性能相当，速度更快

在中等推理强度下，o3-mini 在数学、编程和科学方面的表现与 o1 相当，同时提供更快的响应速度。

o3-mini 在包括 AIME 和 GPQA 在内的一些最具挑战性的推理和智能评估中与 o1 的表现相当。

o3 mini 对比 o1-mini：更准确，更清晰

专家测试者的评估显示，o3-mini 比 o1-mini 能产生更准确、更清晰的答案，具有更强的推理能力。测试者在 56%的情况下更倾向于 o3-mini 的响应，并观察到在困难的现实世界问题上主要错误减少了 39%。

1. 数学能力

在 AIME 2024 的测试中，低推理强度的情况下，o3-mini 达到了与 o1-mini 相当的性能表现。而在中等推理强度的情况下，o3-mini 达到了与 o1 相当的性能表现。

在高推理强度的情况下，o3-mini 的表现超过了 o1-mini 和 o1 两者。

2. 科学问题

在博士级别的生物、化学和物理问题上，o3-mini 在低推理强度下表现优于 o1-mini。在高推理强度下，o3-mini 的表现与 o1 相当。

3. 编程能力

在编程的各项能力上，o3-mini-high 完全领先于 o1：

根据其在 LiveBench 的表现来看，随着推理强度升级，o3-mini的优势还在不断扩大：

4. 常识问题

o3-mini 在多个常识知识领域的评估中表现优于 o1-mini：

o3-mini-high 实测

1. 简单代码生成

用 o3-mini-high 生成一个春节主题的烟花效果，o3 一次就生成了我要的效果：

对比 DeepSeek R1，相同的提示词，R1 第一次生成的无法运行，修改两次后的效果如下：

2. 物理模拟测试

参考国外网友的 prompt 做了这样一个测试：让一个球在旋转的六边形内弹跳，球应受到重力和摩擦力的影响。

o3 一次生成结果如下：

Claude3.5 Sonnet：

只一秒， Sonnet 的球居然掉了......

R1 由于 API 不稳定，无法进行测试。

接下来，使用 Python 模拟四维超立方体内弹跳球。

o3 一次生成的结果如下，完全符合物理定律，并且在代码中给出了详细的速度分量的转化公式：

Claude3.5 Sonnet 的结果，足够幽默：

接下来，我让 o3 模拟三体运动。提示词就一句话：

写一个 python 程序，模拟三体运动，需要呈现天体运动轨迹。

o3 一次生成的结果如下，并且还告诉了我这些：

3. 俄罗斯方块

用 o3 生成一个俄罗斯方块游戏，需要有难度选择和计分板。一次出结果：

4. 科学问题

前段时间刚好看了一篇利用 RL 进行水库联合调度的文章。于是我让 o3 思考这个问题。

相比于之前的 o1 或是 DeepSeek R1，o3 思考过程结构清晰，简单明了，没有“话痨”般的反复 Reflection：

5. 数学竞赛

我在 2024 年第 40 届中国数学奥林匹克竞赛的题目中，选了这样一道题目：

结合上边的对于科学问题的测试，o3 的思考过程和结果输出，都更加“优雅”。

总结

在 DeepSeek 的追赶之下 ，o3-mini 的发布似乎是临时为之。

但 o3-mini 确实解决了 o1 、DeepSeek R1 在推理过程中那种混乱、过度反思的问题（R1 尤为严重），o3-mini 的思考过程更为精准，逻辑也更强。

实测下来，我自己的感觉是：

o3 的思考过程与结果输出有一种简洁、朴素和一致性的美。

简洁的描述代表着低复杂度、高压缩率，在理论上更接近事物的“最优”描述。

当一个 AI 能够用较少的信息有效描述和预测复杂现象时，这种精炼与高效本身就蕴含着一种独特的美感。

而最简单、最朴素的表述，往往也最能直接地反映事物的本质。