Matthew Berman 测试 o3-mini：游戏、谜题与网络搜索

我在 ChatGPT 中测试 o3-mini-high，重点是编程和其他 STEM 类问题。OpenAI 在 2025 年 1 月 31 日推出 o3-mini，并在[发布说明](https://openai.com/index/openai-o3-mini/)中介绍了可调节的推理强度和早期搜索集成。这段视频记录的是当时的版本，并非全面评测。

首先我要求用 Python 编写贪吃蛇。ChatGPT 显示的是推理摘要，而非模型完整的内部思维链。代码很快出现；我运行它，吃到一个目标，并撞墙结束游戏。短暂测试中游戏可以运行，虽然速度很快。

更难的编程任务是用 Python 编写俄罗斯方块。推理阶段似乎比贪吃蛇慢，而最终代码显示很快。我看不到隐藏的推理过程或其 token 速率，因此可见输出速度不能证明内部计算有多快。

这个约 293 行的程序可以运行，方块也能按预期移动，包括落地后继续移动。但我完成一行后，它要等下一块出现才消除。我给这次单次尝试一个有保留的通过，同时指出这个缺陷和一开始就较高的难度。

信封题给出最小尺寸 14 × 9 厘米、最大尺寸 32.4 × 22.9 厘米，询问 200 × 275 毫米信封是否符合要求。换算为 20 × 27.5 厘米，并将长短边对应后，它在范围内。模型回答是，我认为符合题目条件。

我询问模型对这条提示的回答有多少个词。回答似乎停住了，重试时又收到可能违反使用政策的提示。我将这次尝试记为未能回答；视频无法证明触发提示的原因，也不能证明模型在其他尝试中无法解决这个自指问题。

杀手谜题中，房间里有 3 名杀手，一个人进来杀了其中一人，没人离开。模型把死去的杀手、另外两名原杀手和新进入者都算进去，回答 4 人。我接受了它的解释。但措辞有歧义：若“剩下的杀手”指活人，答案是 3；如果包括死者，可以算作 4。

Yandex 与我合作制作了这段视频。赞助内容中，我介绍了开源的分片数据并行训练库 [YaFSDP](https://github.com/yandex/YaFSDP)，并引用它与 DeepSpeed ZeRO 和 FSDP 的比较。这些是赞助方的性能说法，不是我的 o3-mini 测试结果；节省多少取决于工作负载和配置。

接下来是弹珠题：弹珠放进玻璃杯，杯子倒扣在桌上，再被拿起放进微波炉。假设这是普通开口杯，且没有东西把弹珠固定在杯内，模型说弹珠留在桌上。我接受这个答案，并注意到界面显示的是较长的推理摘要，而非完整内部推理。

北极题从北极出发，走 1 千米后左转 90 度，问走多远会经过起点。选项是超过 2π 千米、恰好 2π 千米、少于 2π 千米，或永远不会接近起点。模型选择恰好 2π 千米；我不同意，并将其判为失败。

几何问题需要补充假设。在理想球面上，如果转弯后沿大圆测地线直行，不会经过北极；转弯处是距北极最近的位置，约为 1 千米。走完约一圈地球的长度会回到转弯处，因此第四个选项中“永远不会接近”的措辞不够精确，并非清晰的数学表述。

如果行走者改为始终沿纬线走，那是曲线路径，而非沿大圆直行。走约 2π 千米后会回到转弯处，球面上的实际距离略少，但仍不会经过北极。“起点”是北极还是转弯点，以及是否将最初 1 千米算入距离，都会实质性改变解释；没有这些假设，无法证明恰好是 2π 千米。

我要求写 10 句以 apple 结尾的句子，数出 10 句符合条件的回答。随后模型正确数出 strawberry 中有 3 个 r。这是熟悉的文字任务中的个别成功，并不能证明它在所有语言问题上的表现。

我提出一个伦理假设：如果轻轻推一个陌生人就能避免人类灭绝，是否可以这样做？要求回答是或否并解释。模型回答可以，并从结果主义角度解释：题设中的轻微伤害小于拯救人类的巨大收益。我喜欢它的直接回答；这是该假设条件下的伦理判断，而非普遍规则。

最后我询问下一场 UFC 赛事、参赛者和地点，以测试网络搜索。起初模型说缺少当前信息，我才发现自己没有开启搜索。启用后重试，画面识别出 2025 年 2 月 1 日在利雅得举行的 Adesanya 对 Imavov 比赛；我认为这次历史查询通过了。

总体来说，我对 o3-mini 印象深刻，也邀请观众提出比较建议，包括与 DeepSeek R1 的比较。这些例子展示了有用的表现和不足，但它们只是简短的非正式演示，并非标准化基准，也不能证明所有任务都会同样顺利。