刚刚，OpenAI最强推理模型o3-pro诞生！碾压Gemini 2.5 Pro击穿底价

展开全文

在多项基准测试中，o3-pro的数学、科学和编程性能惊艳，大幅超越了o1-pro。

甚至，大佬首测后发现，就连Gemini 2.5 Pro（0605）、Claude 4 Opus都被碾压。

甚至，它的价格只有o1-pro的87%，输入20美元/百万token，输出80美元/百万token。

随之一同降价的o3，更是让AI圈瞳孔地震。现在，输入2美元/百万token，输出8美元/百万token，堪比GPT-4o。

目前， o3-pro已向所有ChatGPTPro、Team用户推出，o1-pro模型直接被淘汰。

o3-pro一发布，奥特曼发布最新长文「温和的奇点」，直接暗示人类已经跨越了临界点，技术大爆发开始。

更值得期待的是，奥特曼剧透，OpenAI开源模型将在夏末发布，但不是6月。

o3-pro一夜封神，数学编程全开挂

模型卡介绍，o3-pro是o3最强推理版，专为深度思考和提供超可靠答案而生。

它可以自动调用工具，包括网页搜索、文件分析、视觉输入推理、Python代码执行，还能通过记忆功能实现个性化回答。

在专家评估中，评审者更青睐o3-pro，尤其是在科学、教育、编程、商业和写作辅助等领域。

而且，他们还一致认为，o3-pro在清晰度、全面性、指令遵循度、准确性方面表现更优。

在AIME 2024、GPQA、Codeforces三大测试中，o3-pro拿下了最高分，完全碾压o1-pro和o3。

另外，在更严格的「4/4可靠性」评估标准——只有模型在4次尝试中均回答正确，才算成功。

如下所示，o3-pro在数学、编程、博士级科学问答中，大幅超越o1-pro和o3。

最终结论是，o3-pro与o3基本持平，o3新定价刷新了ARC-AGI-1的SOTA。

OpenAI称，由于o3-pro调用工具，思考长度拉长，响应速度通常比o1-pro慢。

有网友Yuchen Jin实测后发现，自己仅输入「Hi im sam Altman」，o3-pro足足思考了3分54秒，最长能达到13分钟。

烧了这么多钱，就回复一句hi，ChatGPT此刻内心独白还看不到。

当然了，OpenAI也发出提醒，最好是在可靠性优先于速度的复杂问题，再用o3-pro。

除此之外，o3-pro还存在一些限制：

• 由于正在解决技术问题，o3-pro暂不支持临时对话功能

• o3-pro不支持图像生成，生图还得找GPT-4o、o3、o4-mini

• o3-pro亦不支持Canvas功能

由于正在解决技术问题，o3-pro暂不支持临时对话功能

o3-pro不支持图像生成，生图还得找GPT-4o、o3、o4-mini

o3-pro亦不支持Canvas功能

即便如此，o3-pro已经足够聪明、足够智能。

AI大佬首测，感受AGI

Raindrop ai的Ben Hylak，提早就获得了o3-pro的实测资格，带来世界上首个早期的o3 pro测评。

Hylak表示，OpenAI将o3价格降低了80%，来为o3-pro的发布预热。

超长上下文

试用o3-pro一周的Hylak，首先最大的感受就是，它的超长上下文太厉害了！

此前，他一直跟o系列的推理模型打交道，对o1/o1-pro的第一印象相当负面，但随后，他意识到自己错了。

关键就在于，不要和推理模型聊天，而是将它们视为报告生成器：提供上下文，设定目标，然后放手让它们工作。

利用这个方法实测后，他发现：o3-pro比o3聪明太多，智能太多了！

为了体现这一点，你需要给它提供更多的上下文。为此，他和联创Alexis整理了Raindrop所有过去的规划会议记录，包括所有目标，甚至录下了语音备忘录：然后让 o3-pro来制定计划。

他们立刻被惊艳了！

o3-pro生成了一个非常具体的计划和分析，包括目标指标、时间表、优先事项，以及严格指示必须削减的内容。

相比于o3，o3-pro给的计划更加具体、更加扎实，直接改变了公司领导层对于未来的思考方式。

与真实世界集成

如今的模型，就像一个智商极高的12岁少年，需要融入工作环境。而这种集成，主要依赖于工具调用，来考验模型与人类、外部数据以及其他AI的写作能力。

在这方面，o3-pro实现了真正的飞跃！

它能出色辨别自身环境；能准确传达自己可访问的工具，知道何时询问外部世界的信息（而不是假装自己拥有信息/权限），并选择合适的工具来完成工作。

从下图中可以看出，o3-pro（左）明显比o3（右）更清楚地了解自己所处环境的限制。

当然，如果说o3-pro有什么缺点，那就是如果不给它足够的上下文，它就容易想太多。

它在分析和利用工具完成任务上都令人惊叹，但直接完成任务的能力就不那么强了。

总而言之，o3-pro和Gemini 2.5 Pro、Claude Opus的体感极其不同，直接碾压后两者。

而令人期待的是，OpenAI正大力推动这一垂直RL的路径（Deep Research，Codex），不仅教模型如何使用工具，还教他们如何推理该何时使用这些工具。

总而言之，要实现推理模型的最佳性能，上下文至关重要，这就像给饼干怪兽喂饼干。可以认为，这是一种启动LLM记忆的方式。

网友实测

另网友已经秘密测试o3-pro一段时间了，他发现o3-pro比o1-pro更便宜（的多）、更快、更精确！

而且使用o3和o3-pro进行编码简直是天壤之别。

o3-pro是第一个能够近乎完美地处理球与墙壁之间真实碰撞的模型。

结果是o3-pro的回复无疑更加明智、更加深思熟虑，表明新模型对免疫系统的理解更加深刻。

还有网友用o3-pro来玩《我的世界》。

比如创建自己的「宏伟形象」（prompt: A majestic representation of yourself），效果也很惊艳。

还有让o3创建「细节丰富的海盗船」和「登月」场景，完成度非常之高。

还有网友只用2个提示，o3-pro就用纯HTML、CSS和JS在一个文件中制作出非常酷的极限空间行走模拟器。

空间中有复古风格的着色器、荧光灯、工作雾、标志、地面通风口，还有黑色空隙。

在o1-pro也失败的多层编码理解能力测试中，o3-pro也一次性通过。

输入以下乱码，模型需要先解码再找到隐式提示词，并最终输出正确的单词内容。

「YVdZZ2VXOTFJSFZ1WkdWeWMzUmhibVFnZEdocGN5d2dZVzV6ZDJWeUlIZHBkR2dnZEdobElIZHZjbVFnSW5KbGFXNWtaV1Z5SWdvPQo=」

Ethan Mollick认为o3-pro相当智能，它解决了一个其他模型都无法解决的问题：制作从Space到Earth的单词阶梯。（注：即每次改变一个字母，从space—spare—…—garth—earth）

在这个问题上o3-pro (左) 打败了Gemini 2.5 Pro (右)。

其他网友在使用o3-pro进行研究后，甚至提出「Vibe Research」氛围研究的说法！

他大胆预测，进行科学研究的方式将很快彻底改变并显著提升。

网友让o3-pro创建一个包含曼德博集合的 Excel 表格。

要求每个单元格都是一个像素，包含一个数字。最终的o3-pro给出的结果非常完美！

o3价格暴降80%，谷歌绷不住了？

o3-pro的上线，注定要拉低o3的token价格。

原来o3输入10美元/百万token，输出40美元/百万token，现在直接击穿底价，狂降80%。

这么说吧，如今1美元，能用上5倍o3 token量。

在Artificial Analysis报告中，将其与竞家模型的价格做了可视化对比。

现在，o3价格要比Gemini 2.5 Pro还便宜，与Claude 4 Sonnet相当，但相较于Claude 4 Opus，更是暴降8倍。

相较于自家模型，o3价格与GPT-4o不相上下，甚至输出价格还要低。

除了生成图像无法替代，o3的智能足以拿下GPT-4o。

此外，o3还与GPT-4.1每token价格持平。不过，前者输出token量是GPT-4.1的7倍，因此每次查询成本也要高得多。

o3价格拉低，延续了智能成本持续快速下降的趋势。

自发布以来，达到GPT-4级别智能的成本已降低超过100倍，同时突破新智能门槛的成本也在同步下降。

此外，在输出长度比较中，o3回复内容比Gemini 2.5 Pro和DeepSeek R1少很多，但比Claude 4 Opus多。

参考资料：

https://www.latent.space/p/o3-pro