OpenAI 预告新一代推理模型 o3／o3-mini：AIME 拿下96.7%高分

OpenAI 在为期12天的「12 Days of OpenAI」系列活动压轴（第12天），正式预告下一代推理模型 o3 与其精简版 o3-mini。值得注意的是，命名直接从 o1 跳到 o3，官方说明是为了避免与英国电信品牌 O2 的商标产生冲突。

根据 OpenAI 公布的基准测试数据，o3 在2024年美国数学邀请赛（AIME）拿下96.7%的高分成绩；在研究生等级的科学题目测试 GPQA Diamond 上达到87.7%；在编程基准 SWE-Bench Verified 上，比前代 o1 高出22.8个百分点。这些数字若属实，代表 o3 在数学推理、科学知识与实际编程能力上，都较前代有明显跃进。

不过需要注意，这次是「预告」而非正式公开上线。OpenAI 目前只开放安全与信息安全研究人员申请早期访问，用来在正式发布前进行红队测试与风险评估。至于精简版 o3-mini，官方表示要到2025年初才会正式对外发布，供一般开发者与消费者使用。

为何刻意跳过「o2」这个命名

模型命名看似小事，但反映出 AI 巨头在全球商标与品牌布局上的谨慎。O2 是英国知名电信运营商的注册商标，OpenAI 选择直接跳号避免法律纠纷，也显示大型科技公司在快速迭代产品时，仍必须兼顾知识产权的合规成本。

基准分数的意义与局限

AIME、GPQA Diamond、SWE-Bench Verified 都是业界惯用的推理能力指标，分别对应数学竞赛题、研究生科学知识、真实世界代码修复任务。o3 在三项测试的表现若成立，代表其「思维链」式推理能力持续进化，尤其 SWE-Bench 22.8个百分点的跃进，意味着 AI 在理解复杂代码库、定位错误根因的能力上更接近资深工程师水平。但基准测试终究是官方自行公布的数字，缺乏第三方独立验证，实际表现仍待正式开放后由社区检验。

为何选择「预告不公开」的节奏

相较于过去新模型多半直接开放付费使用，o3 这次先只让安全研究人员申请访问，反映业界对「能力越强、风险评估越需要时间」的共识。这也呼应近年 AI 圈对高阶推理模型可能被滥用（例如生成攻击性代码、规避安全机制）的持续讨论，OpenAI 选择用先封闭测试、后分阶段开放的方式应对。

对管理者的意义

o3-mini 要到2025年初才会正式发布，意味着现阶段管理者不必急着调整技术选型，但可以开始关注：一旦具备研究生级科学推理与更强代码调试能力的模型进入市场，哪些内部流程（例如质检报告分析、技术文档审阅）有机会率先受益，提前规划导入评估的时间表与预算，才不会在正式开放时措手不及。