OpenAI 發佈 o3 與 o4-mini 最強推理模型：能思考圖片、自動選用工具，數學、編碼性能再突破

OpenAI 今日正式發表 o3 與 o4-mini 推理模型，首度實現圖像推理與多工具整合，社群看好其推進「AI 代理」的潛力。 （前情提要：OpenAI 傳秘密打造「自家社群平台」，劍指死對頭馬斯克的 X） （背景補充：GPT-5延期！OpenAI先推o3、o4-Mini，Sam Altman自曝：整合比想像中更難） 人工智慧巨頭 OpenAI 於今 (17) 日凌晨正式發佈兩款新一代推理模型——o3 與 o4-mini，強調其「圖像推理」與自主使用 ChatGPT 所有工具的能力，引發全球 AI 開發者社群熱議，象徵著該公司往「代理型 AI」再邁出跨出關鍵一步。 數學、編碼等性能突破 o3 被定位為 OpenAI 目前最強的推理模型，專為複雜的數學、科學、程式碼撰寫與圖像邏輯任務設計，在 SWE-bench Verified（軟體工程基準測試）中實現了最先進的效能，得分為 69.1%，領先 Claude 3.7 Sonnet 的 62.3%。 o4-mini 則在保留高推理力的同時，兼顧成本與速度，成為開發者的輕量首選。根據 OpenAI 的測試數據，o4-mini 在 AIME（美國數學競賽）2024 和 2025 的表現分別為 93.4% 和 92.7%，超越了完整版 o3，成為當前準確率最高的模型；在 Codeforces 比賽中獲得 2700 分，躋身全球前 200 名頂尖工程師。 o3 與 o4-mini 延續 o 系列強調的推理導向訓練方法，特別設計為「在回應前先思考更久」的模型架構，讓 AI 不只是反應快，更能解決複雜、多步驟的問題。這樣的設計，也代表 OpenAI 持續走在「更多推理時間 = 更高表現」的技術脈絡中，並於強化學習過程中驗證該假設。 圖像推理首度實現：AI 能「看懂圖表、草圖與PDF」 最引人注目的更新，在於兩款模型首度具備圖像推理能力。o3 與 o4-mini 能理解並分析圖像，低品質也可以，例如手寫白板、模糊 PDF、草圖與統計圖表，並納入多步推理流程。這代表 AI 不僅能閱讀與回應文字指令，更能「思考」圖像背後的邏輯與關聯，向真正的多模態代理系統邁進。 除了視覺理解能力提升，模型也能針對圖像進行操作，例如旋轉、縮放或變形處理，使圖像能成為推理鏈中的一環，解鎖跨模態問題的新解法。 多工具整合：從「聊天」走向「解決任務」 兩款模型皆能自主調用 ChatGPT 提供的各項工具，包括搜尋、程式執行、DALL·E 圖像生成與分析，實現從指令接收、資訊擷取到視覺推理的一體化流程。 不同於以往被動執行的工具使用邏輯，o3 與 o4-mini 具備自主決策能力，能根據問題性質自動選擇是否啟用搜尋、程式執行或圖像生成等工具，展現接近人類專家的工作流程。這種靈活的策略應用方式，也讓模型能根據輸入動態調整處理順序與內容，是朝「代理型 AI」邁進的重要里程碑。 OpenAI 並同步推出開源工具 Codex CLI，供開發者在本地終端整合 AI 協助完成程式碼撰寫與除錯。Codex CLI 現已開源，並有百萬美元規模的開發補助計畫開放申請。 定價與可用性：o4-mini 具「高CP值」優勢 o3 模型 API 價格為每百萬輸入 token 10 美元、輸出 token 40 美元；相較之下，o4-mini 僅需 1.10 美元與 4.40 美元，效能雖略遜一籌，卻有壓倒性成本優勢。ChatGPT Plus（20 美元/月）、Pro（200 美元/月）與 Team 用戶現已可使用，企業與教育機構將於一週後開放。 OpenAI 透過 o3 與 o4-mini 明確展示「推理型 AI」的進化方向，不僅是語言能力的提升，更首次實現圖像理解與工具操作的整合。這兩款模型不只是單點更新，更是「ChatGPT 邁向代理 AI」的重要轉折。未來推出的 o3-pro（將於未來幾週對 Pro 用戶開放）與 GPT-5，若能整合此輪技術突破，將有機會定義下一個 AI 世代的產品標準。 相關報導 OpenAI 強化 GPT-4o 衝上排行榜第二！Sam Altman：更懂人話和寫程式，創造力大增 OpenAI 重磅宣布：開放 Agents SDK 支援 MCP，串聯萬物再跨關鍵一步 OpenAI 新推最強生圖模型：精準製作資訊圖表、多模態輸入、品質逼真難辨，內建於GPT-4o 〈OpenAI 發佈 o3 與 o4-mini 最強推理模型：能思考圖片、自動選用工具，數學、編碼性能再突破〉這篇文章最早發佈於動區BlockTempo《動區動趨-最具影響力的區塊鏈新聞媒體》。