OpenAI 宣布推出 o3 與 o4-mini 推理模型，實現多項 AI 基準測試的頂尖表現（state-of-the-art, SOTA）。這是 OpenAI 首次賦予推理模型外部工具存取能力，包括網頁瀏覽、Python 解譯器等，標誌著 AI 自主性與實用性的重大突破。o3 為 OpenAI 最強大的推理模型，在 Codeforces、SWE-bench 與 MMMU 基準測試中創下新高；o4-mini 則以高效、低成本為特色，適合高吞吐量任務。
OpenAI 強調，o3 與 o4-mini 透過大規模強化學習（reinforcement learning）訓練，具備動態推理與工具選擇能力，能根據任務需求自主決定使用網頁搜尋、Python 程式碼執行或圖像分析等工具，生成結構化且精確的回應。 主要功能包括：
- 多模態推理：支援文字、圖像、圖表與手寫筆記分析，上下文窗口達 200K token，適合複雜多步驟任務。
- 工具自主性：模型可「代理式」（agentically）使用 ChatGPT 工具，包括網頁搜尋、程式碼生成與圖像處理，無需用戶明確指令。
- 記憶參考：能參考對話歷史與記憶，生成更自然、連貫的對話，提升用戶體驗。
- Codex CLI：OpenAI 推出輕量級開源程式碼代理工具，允許開發者從終端機串接 o3 與 o4-mini，處理本地程式碼任務，並附帶 100 萬美元的 API 信用額度補助計畫。
外部專家評估，o3 在複雜現實任務中比 o1 減少 20% 的重大錯誤，顯示其推理深度與可靠性顯著提升。
基準測試表現：o3 與 o4-mini 的頂尖成果
o3 與 o4-mini 在多項基準測試中超越前代與競爭對手，奠定 SOTA 地位：
- Codeforces（程式競賽）：o3 獲得 2706 Elo 分數，o4-mini 達 2719，遠超 o1 的 1891，展現頂尖程式設計能力。
- SWE-bench Verified（軟體工程）：o3 得分 69.1%，o4-mini 68.1%，較 o1（48.9%）與 Anthropic 的 Claude 3.7 Sonnet（62.3%）更出色。
- AIME 2025（數學競賽）：o4-mini 搭配 Python 解譯器得分 99.5%，o3 達 98.4%，接近滿分。
- GPQA Diamond（博士級科學）：o3 得分 87.7%，o4-mini 81.4%，顯示高階科學推理能力。
- MMMU（多模態任務）：o3 在文字與圖像混合任務中表現卓越，特別擅長圖表與視覺分析。
o4-mini 儘管是輕量模型，卻在數學、程式設計與視覺任務中接近 o3 表現，成本僅為 o3 的十分之一，適合高頻率應用。 然而，o3 與 o4-mini 在 PersonQA 基準測試中幻覺率（hallucination rate）較高，分別為 33% 與 48%，比 o1（16%）與 o3-mini（14.8%）更嚴重，OpenAI 承認需進一步研究原因。
定價與存取：成本效益與靈活部署
OpenAI 為 o3 與 o4-mini 制定具競爭力的定價，兼顧效能與成本：
- o3：每百萬輸入 token 10 美元，每百萬輸出 token 40 美元，適合高階推理任務。
- o4-mini：每百萬輸入 token 1.10 美元，每百萬輸出 token 4.40 美元，與 o3-mini 定價相同，具高吞吐量優勢。
存取方式：
- ChatGPT 用戶：Plus、Pro 與 Team 用戶即日起可透過模型選擇器使用 o3、o4-mini 與 o4-mini-high，取代 o1、o3-mini 與 o3-mini-high。Enterprise 與 Edu 用戶將於下週（4 月 23 日）獲得存取。免費用戶可透過「Think」按鈕試用 o4-mini。
- API 開發者：透過 Chat Completions API 與 Responses API 存取，Responses API 新增推理摘要（reasoning summaries）與函數調用保留推理 token 功能，提升效能。
- 未來計畫：o3-pro 預計數週內發布，支援完整工具功能，專為 Pro 層用戶設計。
Azure OpenAI Service 與 GitHub Copilot 已整合 o3 與 o4-mini，支援企業級部署與程式碼工作流。