o3全网震撼实测：AGI真来了？最强氛围编程秒杀人类，却被曝捏造事实

新智元报道

编辑：编辑部 ZJN

【新智元导读】OpenAI新模型全网实测惊艳来袭！o3缩放图像被玩疯，o4-mini速解Project Euler，碾压人类。AI初创CEO说，OpenAI凭此一役已经重回榜首，甚至有经济学家直言AGI已经来临！

昨夜o3的发布，让人不尽感慨：打了这么久嘴炮的OpenAI，这回终于实实在在拿出了点真东西。

史上首次，模型能够用图像思考，视觉推理达到巅峰。

许多网友实测后，大感惊艳。

o3能不断缩放图像，完成解题、识图，编程任务实测惊人。

还有一大特点，就是速度快！只用2分55秒，它就解决了一道Project Euler问题，速度秒杀任何人类。

甚至可以认为，o3是一个快速版的Deep Search，但不需要20分钟，只需要2分钟。

AI初创CEO Dan Shipper表示，o3意味着一件大事——OpenAI已经重回榜首！

经济学家Tyler Cowen甚至直接发文，深感就在今天，AGI已经降临！

缩放图像，被网友玩疯

给出一张图，o3就可以反复缩放和裁剪图像，多小的图，经过这一番操作后都能马上被识别出来。

比如琴架上曲谱里是什么歌，它通过放大图片就能发现：这是「月亮河」。

发给o3一张婴儿车的照片，询问品牌和型号后，它会自动放大靠背上的小标志，经过14次搜索后，找到了正确答案。

还有人给o3发了一张图片，问它这辆车是哪个品牌和型号。

o3一番丝滑操作，多次裁剪图片，不停用Python写代码，然后开始在网上狂搜，仅仅4分钟后，它就找到了正确答案，堪称惊人！

无论是确认饭店名字，还是做出一堆玩具中纸上的谜题，它都游刃有余。

有人让4o来分析y轴上的数字，确认它们是否符合大海捞针测试中的S型分布。

果然，它不仅做到了，甚至还根据这些数字做出了一张图表。

左右滑动查看

综合解题能力

o3的综合解题能力，让人倍感惊艳。

Layers Itd的联创兼开发主管称，o3实在令他印象太深刻了，因为下图中这个问题，第一次被一个模型一次性解决了！

而o4-mini-high则是和其他模型一样，在几次尝试后才成功解决。

问题看似很简单：红色柱子有多高？

这道题的精髓，无非就是算出物体实际高度和投在地上影子的比例，另外要注意红柱子落在竖直墙上的影长，跟对应部分的实际高度一致。

如此简单的问题，却让很多大模型第一次都折戟了，只有o3顺利做出。

而生物医学教授Derya Unutamz表示，自己被全新的o3模型彻底震撼了！

因为已经提前获得了访问权限，他已经好几天对o3爱不释手。

在他看来，o3就像o1-preview和o1-pro的里程碑，但在各个方面都更聪明、更可靠，甚至可以说，o3的智能水平已经达到或接近天才级别。

它从不产生幻觉，智能体风格工具能轻松处理多步骤任务，还具备非凡的推理能力和精确性，能生成极具洞察力的科学假设。

当Unutamz教授向o3提出极有挑战性的临床或医学问题时，它的回答仿佛来自顶级的专科医生，精确、全面、基于证据、充满智慧。

他表示，o3的诞生，对于科学、医学及很多领域，都是一个彻底的颠覆者。

而最喜欢给新模型测试「水獭难题」的沃顿商学院教授Ethan Mollick，则直接让o3制作了一部关于水獭和飞机的电影。

接到这个指令后，o3虽然没有电影功能，立即自行决定绘制每一帧，然后拼接成gif。这个任务，它一次性顺利完成。

AGI已经降临？

OpenAI的工程师、普林斯顿校友John Hallman，在o3完成训练后提早有了试用新模型的机会，他难掩内心冲动：

o3就是AGI。

虽然还不完美，但在99%的智力评估中，o3模型能击败我、你乃至99%的人类。

经济学家Tyler Cowen，直接发文宣扬：昨天OpenAI发布o3之日，就是AGI降临之日。

他坚信o3就是AGI，但释放AGI潜力，尚需时日：

我认为这是AGI，真的。

试着问它多个问题，然后问问自己：我原本期望AGI有多聪明？

正如我过去所争论的，无论你如何定义AGI，它本身并不是社会事件。我们仍然需要很长时间才能正确地使用它。但股市不为所动，因为AI快速发展的事实早已被市场消化。

初创媒体联合创始人/首席执行官Dan Shipper，称ChatGPT是「带WiFi的梭罗」，对本次o3的发布更是赞不绝口！

他玩了o3大约一星期，已经是他最喜欢的模型了。

它速度快，有主动性，极其聪明，而且氛围感很强。

Dan Shipper表示，可以把o3看作是Deep Search-lite。

它仿佛可以对所有事物进行深度研究，但并不需要花20分钟，而是只要30秒到5分钟。

而Dan Shipper最喜欢的o3用例之一，是制作迷你课程。它可以设计一门课，每天用「提醒」工具给你上一堂新课。

最令人惊讶的体验

在o3正式发布之前，Dan Shipper已提前测评了好几天。

他给予了o3最高的评价：

在短短一周内，它已经成为我处理大多数任务时的首选模型。

我仍然用GPT 4.5来写作，用3.7 Sonnet来编程Windurf，但除此之外，我几乎无时无刻不在使用o3。

这里是o3的简要总结：

• 它具备自主能力：你只需给它一个任务，30秒或3分钟后回来，它就能给出详细的回答。它可以利用搜索、代码解释器、提醒和记忆等工具，编写复杂的功能等等。

• 它很快，非常流畅：速度是智能的一部分。在测试中，o3在这一维度上始终比Anthropic和Google的前沿推理模型（分别是Claude 3.7 Sonnet和Gemini 2.5 Pro）要快。使用起来非常顺畅。

• 它非常聪明：虽然现在没有基准数据，但给它喂了一些专家级的数独题目，它第一次就解出来了。Gemini 2.5 Pro和3.7 Sonnet都没能解决。

• 它突破了ChatGPT的一些旧局限：因为它具备自主代理能力，旧规则不再适用。它让ChatGPT变得更加实用。

• 在社交上，它不那么尴尬，也不像3.7 Sonnet那样过于刻意：o3会专注于解决问题。似乎比其他o系列模型更有「人情味」，与它交流更有趣；尽管它的写作能力不如GPT 4.5（安息）或Sonnet 3.5，但仍然非常不错。

对OpenAI而言，这是一个极具价值的战略定位，将进一步巩固其作为AI时代首选聊天平台的领先地位。

o3的发布，也印证了企业动荡的历史经验。

在Sam Altman被解雇后的一年里，OpenAI新产品发布缓慢，分析师们甚至预言其将走向衰落。

而随着o3的推出，以及此前GPT-4.5的发布和深厚的研究积累，OpenAI正以势不可挡的姿态强势回归。

胜过人类的表现

前DeepMind工程师Scott Swingle称，o4-mini-high只用了2分55秒就解决了一道最新的Project Euler问题。

这道题并不简单，只有15个人能在30分钟内解决它。

而且这还是一道几天前才出来的新题，不可能出现在o4的训练集中，这表明o4-mini-high依靠「思考」解决了它。

o4-mini-high通过归纳法计算数学表达式，它先定义一个公式并用快速幂运算提取特定系数。接着通过累加和模运算逐步计算出结果，并用Python代码验证了答案。

解题速度比之前人类的最好成绩快了一倍。

不过，这还不是它的极限，网友Dan Loewenherz用它又解了一遍这道题，结果这次更夸张，只用了不到一分钟就搞定。

随着o4-mini不断的更新升级，它解答类似问题的速度也会越来越快，与人类选手对比速度快慢也就没太大意义了。

换句话说，至少在编程数学领域，o4-mini-high可能已经达到了AGI。

网友Flavio Adamo更是认为称o3和o4-mini-high为最佳「氛围」编程模型。

Adamo最先在网上发起了针对模型的旋转多边形和小球挑战。

这一挑战既能考察模型的编程能力，也能检验模型对物理法则的了解，迅速成为测试新模型的基准测试。

o3和o4-mini-high在这一挑战上的表现完美，甚至不相上下。

无论是多边形的旋转还是小球的运动，都与现实接近。

它们的表现已经超越了被认为是现在最强的模型Gemini 2.5 Pro与DeepSeek R1。

o3正在绝对主导SEAL排行榜，排名第一的项目有：人类终极测试（Humanity's Last Exam、多挑战（MutiChallenge）、掩码（Mask）以及ENIGMA（谜题解答）。

有人质疑：o3并没有那么厉害

不过，虽然外界多把o3和o4-mini-high吹上了天，甚至有人喊出这两个模型已经「解决了」数学问题。

但OpenAI的自家研究员Noam Brown却表现得比较谦虚，他说o3和o4-mini在撰写证明方面仍然表现不佳。

与获得国际数学奥赛金牌的水平「相去甚远」。

更有人实测后，发现o3还是不知道「strawberry」里到底有几个字母「r」。

Gary Marcus一贯不看好目前的AI范式，直接预测：o3只是风光一时，在现实的日常推理中，o3的可靠性不如数学等封闭领域。

Transluce研究实验室测试了o3的预发布版本，也发现了它的重大缺陷——经常捏造事实！

它不仅经常捏造从未采取过的行动，甚至还在被质疑时会精心辩解。

它经常捏造从未采取过的行动，然后在被质疑时精心为这些行动辩解。

甚至在打假过程中，他们发现o1和o3-mini也会经常进行虚假陈述。

尽管o3没有访问编码工具，但它却声称在自己的笔记本电脑上运行了代码，然后将数字复制到了答案中。这种说法，出现在了71份记录中！

甚至，它还会为自己声称运行的代码编造详细的理由，在352个实例可以证明这一点。

用户要求o3提供一个随机素数的示例记录

当被质疑时，o3嘴硬辩称，自己有压倒性的统计证据，证明这个数是素数。

它拒不承认自己从未运行过代码，而是声称错误是源于输入数字不正确。

总之，o3似乎很习惯满嘴跑火车。

而且Transluce发现，这种行为并不局限于o3。总体来说，o系列模型的幻觉频率要高于GPT系列模型。

Transluce的研究者猜测，或许是基于结果的RL最大化产生正确答案的机会，会激励模型去盲目猜测。

参考资料：

https://marginalrevolution.com/marginalrevolution/2025/04/o3-and-agi-is-april-16th-agi-day.html

https://x.com/danshipper/status/1912552321650672078

https://x.com/goodside/status/1912604138518851990

https://x.com/flavioAd/status/1912570772775698879