OpenAI o3 与 o4-mini：工具使用、基准测试和首版 Codex CLI

摘要

30 秒看懂

Matthew Berman 评述 o3 和 o4-mini 的发布，重点介绍它们将推理与工具结合的能力。一段 OpenAI 直播片段展示了对旧物理海报的分析，接着是基准图表、成本比较以及关于 Codex CLI 和平台风险的讨论。他关于模型训练来源和新缩放规律的理论属于推测。

1借助工具推理Berman 强调模型可以在一项任务中反复调用工具，而不是只给出一次回答。
2物理海报演示一位 OpenAI 演示者让 o3 根据旧海报估计缺失结果，并与后续研究比较。演示者认为返回的估计大致合理。
3基准条件很重要发布图表展示了数学、编程和科学测试中的不同分数，包括使用与不使用工具的结果。
4关于训练的推测Berman 假设这些模型来自 GPT-5 检查点，但没有提供证实这一理论的证据。
5Codex CLI 与平台风险OpenAI 推出终端编程智能体，让 Berman 思考模型提供商进入客户市场的风险。

要点建议

OpenAI 于 2025 年 4 月发布 o3 和 o4-mini，支持工具辅助推理和图像分析。
在一场直播演示中，o3 查看物理海报、估计缺失的结果并搜索相关文献；演示者认为估计合理。
基准结果因任务和工具访问权限而异；使用工具和不使用工具的分数需要结合条件比较。
OpenAI API 文档将这些模型列为支持文本和图像输入、文本输出，并不原生支持音频输入和输出。
Codex CLI 最初是一款开源终端编程智能体，将本地文件和命令连接到云端模型。
Berman 关于 GPT-5 检查点的理论，以及将工具使用视为缩放规律的观点，都是推测，而非已确立的训练细节。

主题OpenAI Reasoning & test-time compute Benchmarks 编程智能体智能体工程

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

o3 和 o4-mini 发布

Berman 介绍两款推理模型，强调迭代使用工具。他将几个更广泛的影响明确表述为个人观点。

OpenAI 发布了 o3 和 o4-mini，最令我兴奋的是它们能在推理过程中使用工具。智能体不只是执行一个动作就停止，还可以检查结果、决定下一步并使用其他工具。我认为这是提升表现的重要方向，但把它称为新的缩放规律是我的解读，而非已确立的结果。

OpenAI 将 o3 描述为能力更强的模型，o4-mini 则是体积更小、速度更快的选择。模型可以对图像进行推理，包括用工具查看图像。虽然我在视频中说它们还接受并输出音频，但 OpenAI 的 API 模型文档列出的是文本和图像输入、文本输出；这些模型 API 并不原生支持音频。产品层面的工具可以提供额外能力。

物理海报演示

一位 OpenAI 演示者让 o3 分析未完成的物理海报，并将估计结果与文献比较。演示者对结果作出评价。

在 OpenAI 发布直播的一段片段中，一位演示者向 o3 提供了一张他 2015 年实习期间制作的物理海报截图。任务是估计质子的同位旋矢量标量荷，并将其与近期研究比较。最终数值实际上没有印在海报上：模型必须理解图表并推断还需要哪些步骤。

幻灯片 1 / 7分析物理海报提示词要求 o3 根据图像估计未完成的物理结果并搜索文献。

演示者说，这项任务需要将图中数值外推至物理夸克质量，并应用归一化因子。模型放大图像，搜索网上较新的结果。演示者表示，如果手动重新熟悉项目并查阅文献，会花费相当多时间。

直播演示者认为模型的估计值合理，并表示最终论文中的数值约为 1.2。回答还指出，较旧的估计比近期结果有更大的不确定性。这是由演示者评价的单次演示，并非对所有科学研究任务的独立验证。

这次演示体现了图像检查、计算和网络浏览的结合。我认为，除了预训练和基于强化学习的后训练，工具使用和智能体支架也很重要。我进一步提出工具使用本身是一种独立缩放规律，这只是一个假设，并非演示所证明的量化规律。

基准与成本

Berman 回顾数学、科学、编程和视觉基准，随后推测模型训练方式。他还比较了 OpenAI 的推理成本估算图表。

幻灯片 3 / 7AIME 2024 基准发布图表展示了模型分数，并标明不使用工具的配置。

OpenAI 的发布图表比较了竞赛数学结果。在不使用工具的 AIME 2024 测试中，图表显示 o3 为 91.6%，o4-mini 为 93.4%；图表还展示了 AIME 2025 和 Codeforces 结果。这些是特定基准的测量值，并非所有用途的排名；比较结果时，能否使用工具很重要。

在展示的 Humanity’s Last Exam 图表中，o3 从不使用工具的约 20.3% 上升到使用 Python 和浏览工具的 24.9%；o4-mini 则从约 14.3% 上升至使用工具时的 17.7%。图表中的 Deep research 得分为 26.6%。我推测额外的智能体支架和工具使用有助于解释差异；但仅凭图表不能确定原因。

幻灯片 4 / 7使用与不使用工具的 Humanity’s Last Exam图表区分了工具辅助和无工具的结果。

OpenAI 还展示了视觉推理、编程和指令遵循基准。画面中的 SWE-bench Verified 结果为 o3 69.1%、o4-mini 68.1%，相比之下 o1 为 48.9%。SWE-Lancer 图表用基准任务对应的美元价值表示表现；这并不能证明模型在市场上独立赚到了这笔钱。

我提出一个关于模型如何制造的理论：OpenAI 可能取了 GPT-5 的中间检查点，再应用强化学习生成不同的推理模型。这是我根据公开评论作出的推测，并非 OpenAI 确认的信息。仅凭优秀的基准结果无法确定模型的训练来源。

成本图表比较了不同推理级别的估算推理成本和表现。在展示的 AIME 和 GPQA 例子中，o4-mini 在相近估算成本下优于 o3-mini，而 o3 的 medium 和 high 在所示设置下与 o1 相比也表现较好。实际成本和表现会因配置及工作负载而异。

幻灯片 6 / 7性能与估算推理成本图表比较了 o4-mini 和 o3-mini 在不同推理设置下的表现。

Codex CLI 与访问

他讨论 OpenAI 的新编程智能体，以及依赖单一提供商的平台风险。最后介绍发布时的访问方式和自己的测试计划。

幻灯片 7 / 7初版 Codex CLI 预览OpenAI 展示了编程智能体早期的终端界面。

OpenAI 还发布了 Codex CLI，一款在本地终端运行、使用云端模型的开源编程智能体。它可以处理本地文件和命令，把模型推理引入编程环境。最初的发布将其描述为一项实验；自这段 2025 年视频以来，它的能力和审批机制已有变化。

这给依赖模型提供商的开发者带来了平台风险：提供商可能决定自行开发相邻市场的产品。Codex CLI 就是一个编程智能体的例子，尽管它最初是一个轻量级参考项目。我认为开发者应该考虑多元化和开源替代方案，避免依赖单一提供商。

发布时还宣布了一项 100 万美元计划，支持使用 Codex CLI 和 OpenAI 模型的项目，每份资助以 25,000 美元的 API 额度为单位。发布时，Plus、Pro 和 Team 用户可在模型选择器中使用这些模型，Enterprise 和 Edu 计划稍后跟进，免费用户可以通过 Think 选项试用 o4-mini。这些是历史发布信息，并非当前可用情况。

我计划将这些模型与当时可用的其他选择进行测试，包括 Gemini 2.5 Pro，特别是比较编程能力。我也想知道开发者如何看待建立在 OpenAI 之上的平台风险。