Представляем OpenAI o3 и o4-mini16.04.2025 10:00

Обновление от 10 июня 2025 г.: OpenAI o3‑pro теперь доступна пользователям версии Pro в ChatGPT, а также в нашем API. Как и OpenAI o1‑pro, модель o3‑pro представляет собой версию нашей самой интеллектуальной модели OpenAI o3, созданную для более глубокого размышления и предоставления максимально надежных ответов. Все подробности можно найти в наших примечаниях к выпуску⁠.

Сегодня мы выпускаем OpenAI o3 и o4-mini, новейшие модели из серии «o», обученные дольше размышлять перед ответом. Это самые умные модели из всех, что мы выпускали на сегодняшний день. Они представляют собой качественный скачок в возможностях ChatGPT для всех пользователей — от любопытствующих до продвинутых исследователей. Впервые наши модели рассуждений могут автономно использовать и комбинировать каждый инструмент в ChatGPT: это включает поиск в интернете, анализ загруженных файлов и других данных с помощью Python, глубокий анализ визуальных входов и даже генерацию изображений. Что особенно важно, эти модели обучены принимать решения о том, когда и как использовать инструменты для получения детальных и продуманных ответов в правильных форматах вывода (обычно менее чем за минуту) для решения более сложных задач. Это позволяет им эффективнее справляться с многоаспектными вопросами, делая шаг к более автономному ChatGPT, способному самостоятельно выполнять задачи от вашего имени. Сочетание передовых рассуждений и полного доступа к инструментам обеспечивает значительно более высокую производительность в академических тестах и реальных задачах, устанавливая новый стандарт как в интеллектуальном плане, так и с точки зрения полезности.

OpenAI o3 — наша самая мощная модель рассуждений, которая раздвигает границы в области программирования, математики, науки, зрительного восприятия и многого другого. Она устанавливает новый уровень (SOTA) в бенчмарках, включая Codeforces, SWE-bench (без создания пользовательского каркаса под конкретную модель) и MMMU. Она идеально подходит для сложных запросов, требующих многоаспектного анализа, ответы на которые могут быть не очевидны с первого взгляда. Модель демонстрирует особенно высокие результаты в визуальных задачах, таких как анализ изображений, графиков и диаграмм. По оценкам независимых экспертов, o3 совершает на 20 процентов меньше серьезных ошибок, чем OpenAI o1 в сложных реальных задачах, особенно преуспевая в таких областях, как программирование, бизнес/консалтинг и генерация творческих идей. Ранние тестировщики отметили ее аналитическую строгость в качестве партнера по мышлению и подчеркнули ее способность генерировать и критически оценивать новые гипотезы — особенно в контексте биологии, математики и инженерии.

OpenAI o4-mini — это меньшая по размеру модель, оптимизированная для быстрых и экономичных рассуждений. Она достигает выдающихся результатов для своего размера и стоимости, особенно в математике, программировании и визуальных задачах. Это лучшая модель среди протестированных в бенчмарке на AIME 2024 и 2025 годов. Хотя наличие компьютера существенно снижает сложность экзамена AIME, мы также отметили, что o4-mini достигает 99.5% pass@1 (100% consensus@8) на AIME 2025 при доступе к интерпретатору Python. Хотя эти результаты не следует сравнивать с производительностью моделей без доступа к инструментам, они являются наглядным примером того, как эффективно o4-mini использует доступные средства; o3 демонстрирует аналогичные улучшения на AIME 2025 благодаря использованию инструментов (98.4% pass@1, 100% consensus@8).

По оценкам экспертов, o4-mini также превосходит своего предшественника, o3‑mini, в задачах, не связанных с точными науками (STEM), а также в таких областях, как наука о данных. Благодаря своей эффективности o4-mini поддерживает значительно более высокие лимиты использования, чем o3, что делает ее отличным вариантом с высокой пропускной способностью для вопросов, требующих рассуждений. Внешние эксперты-оценщики отметили, что обе модели демонстрируют улучшенное следование инструкциям и более полезные, проверяемые ответы по сравнению со своими предшественницами, что стало возможным благодаря возросшему интеллекту и интеграции веб-источников. По сравнению с предыдущими итерациями наших моделей рассуждений, эти две модели также должны ощущаться более естественными и разговорными, особенно учитывая их способность ссылаться на память и прошлые беседы, делая ответы более персонализированными и релевантными.

Все модели оцениваются при высоких настройках «усилия рассуждений» (reasoning effort), аналогично вариантам вроде «o4-mini-high» в ChatGPT.

В ходе разработки OpenAI o3 мы заметили, что крупномасштабное обучение с подкреплением демонстрирует ту же тенденцию «больше вычислений = лучше производительность», которая наблюдалась при предварительном обучении серии GPT. Пройдя по пути масштабирования повторно — на этот раз в рамках обучения с подкреплением (RL), — мы увеличили вычислительные затраты на обучение и рассуждения во время инференса на порядок, но по-прежнему наблюдаем четкий рост производительности. Это подтверждает, что возможности моделей продолжают улучшаться по мере того, как им разрешено больше размышлять. При аналогичных задержках и затратах по сравнению с OpenAI o1 модель o3 обеспечивает более высокую производительность в ChatGPT, и мы подтвердили: если позволить ей думать дольше, ее показатели продолжают расти.

Мы также обучили обе модели использовать инструменты посредством обучения с подкреплением, научив их не просто применять инструменты, но и рассуждать о том, когда именно их стоит задействовать. Способность разворачивать инструменты в зависимости от желаемых результатов делает их более эффективными в открытых сценариях, особенно тех, которые связаны с визуальными рассуждениями и многоэтапными рабочими процессами. Это улучшение отражается как в академических тестах, так и в реальных задачах, о чем сообщают первые тестировщики.

Впервые эти модели могут интегрировать изображения непосредственно в свою цепочку рассуждений. Они не просто видят картинку — они думают с ее помощью. Это открывает новый класс задач, сочетающих визуальные и текстовые рассуждения, что отражается в их передовых результатах в мультимодальных тестах.

Пользователи могут загрузить фотографию маркерной доски, схемы из учебника или наброска от руки, и модель сможет интерпретировать ее — даже если изображение размытое, перевернутое или низкого качества. С помощью инструментов модели могут манипулировать изображениями на лету: вращать, приближать или трансформировать их в процессе рассуждения.

Эти модели обеспечивают лучшую в своем классе точность при решении задач на зрительное восприятие, позволяя справляться с вопросами, которые раньше были недоступны. Ознакомьтесь с блогом об исследованиях визуальных рассуждений⁠, чтобы узнать больше.

OpenAI o3 и o4-mini имеют полный доступ к инструментам внутри ChatGPT, а также к вашим собственным пользовательским инструментам через вызов функций (function calling) в API. Эти модели обучены рассуждать о том, как решать проблемы, выбирая, когда и как использовать инструменты для быстрого создания подробных и продуманных ответов в правильных форматах вывода — обычно менее чем за минуту.

Например, пользователь может спросить: «Как летнее энергопотребление в Калифорнии соотносится с прошлогодним?» Модель может выполнить поиск данных коммунальных служб в интернете, написать код на Python для построения прогноза, сгенерировать график или изображение и объяснить ключевые факторы, лежащие в основе предсказания, объединяя в цепочку несколько вызовов инструментов. Рассуждения позволяют моделям реагировать и перестраиваться по мере необходимости на основе обнаруженной информации. Например, они могут выполнять поиск в интернете несколько раз с помощью поисковых провайдеров, просматривать результаты и пробовать новые поисковые запросы, если им требуется дополнительная информация.

Этот гибкий стратегический подход позволяет моделям решать задачи, требующие доступа к актуальной информации за пределами встроенных знаний модели, расширенных рассуждений, синтеза и генерации вывода в разных модальностях.

Все примеры были выполнены с помощью OpenAI o3.

OpenAI o3 и o4-mini — это самые интеллектуальные модели из всех, что мы когда-либо выпускали, и зачастую они также более эффективны, чем их предшественники, OpenAI o1 и o3‑mini. Например, на математическом конкурсе AIME 2025 года граница соотношения стоимости и производительности для модели o3 значительно превосходит о1, а аналогичная граница для o4-mini превосходит o3‑mini. В более общем плане мы ожидаем, что при большинстве сценариев реального использования o3 и o4-mini будут одновременно умнее и дешевле, чем o1 и o3‑mini соответственно.

Каждое улучшение возможностей моделей требует соразмерного повышения уровня безопасности. Для OpenAI o3 и o4-mini мы полностью переработали наши обучающие данные по безопасности, добавив новые правила отказа от выполнения запросов в таких областях, как биологические угрозы (биориски), создание вредоносного ПО и обход систем защиты (джейлбрейки). Эти обновленные данные позволили o3 и o4-mini продемонстрировать высокие результаты в наших внутренних тестах на отказ от запросов (например, иерархия инструкций⁠, джейлбрейки). Помимо эффективного отказа модели от нежелательных запросов, мы также разработали системные механизмы для выявления опасных запросов в передовых областях риска. Аналогично нашей предыдущей работе по генерации изображений⁠, мы обучили языковую модель для мониторинга рассуждений, которая работает на основе написанных человеком и интерпретируемых спецификаций безопасности. Применительно к биорискам этот монитор успешно зафиксировал около 99% диалогов в рамках нашей кампании по имитации кибератак силами экспертов (red-teaming).

Мы провели стресс-тестирование обеих моделей, используя нашу самую строгую программу обеспечения безопасности на сегодняшний день. В соответствии с нашим обновленным фреймворком готовности (Preparedness Framework)⁠, мы оценили o3 и o4-mini по трем отслеживаемым направлениям возможностей, охватываемым фреймворком: биологическая и химическая безопасность, кибербезопасность и самосовершенствование ИИ. На основе результатов этих оценок мы определили, что и o3, и o4‑mini остаются ниже порога «Высокий» во всех трех категориях. Подробные результаты этих оценок опубликованы в сопутствующей карточке модели (system card)⁠.⁠

Мы также делимся новой разработкой — Codex CLI, легковесным агентом для написания кода, который можно запускать прямо из терминала. Он работает непосредственно на вашем компьютере и предназначен для максимального использования возможностей рассуждения таких моделей, как o3 и o4-mini, а в будущем появится поддержка и других API-моделей, например GPT‑4.1⁠.

Вы можете получить преимущества мультимодальных рассуждений из командной строки, передавая модели скриншоты или эскизы низкого качества в сочетании с локальным доступом к вашему коду. Мы рассматриваем это как минималистичный интерфейс для связи наших моделей с пользователями и их компьютерами. Проект Codex CLI полностью с открытым исходным кодом и доступен сегодня по адресу github.com/openai/codex⁠.

Параллельно мы запускаем инициативу на сумму 1 миллион долларов для поддержки проектов, использующих Codex CLI и модели OpenAI. Мы будем оценивать и принимать заявки на гранты в размере 25 000 долларов США в виде кредитов API. Заявки можно подать здесь.

Начиная с сегодняшнего дня, пользователи ChatGPT Plus, Pro и Team увидят в селекторе моделей o3, o4-mini и o4-mini-high, которые заменят o1, o3-mini и o3-mini-high. Пользователи ChatGPT Enterprise и Edu получат доступ через неделю. Бесплатные пользователи могут попробовать o4-mini, выбрав «Think» в панели ввода перед отправкой своего запроса. Лимиты запросов для всех планов останутся прежними по сравнению с предыдущим набором моделей.

Мы планируем выпустить OpenAI o3-pro через несколько недель с полной поддержкой инструментов. На данный момент пользователи Pro по-прежнему могут использовать o1-pro.

И o3, и o4-mini также доступны разработчикам уже сегодня через API Chat Completions и Responses (некоторым разработчикам потребуется подтвердить свои организации⁠, чтобы получить доступ к этим моделям). API Responses поддерживает сводки рассуждений, возможность сохранять токены рассуждений при вызове функций для повышения производительности, а в скором времени будет поддерживать встроенные инструменты, такие как веб-поиск, поиск по файлам и интерпретатор кода в рамках рассуждений модели. Чтобы начать работу, ознакомьтесь с нашей документацией⁠⁠ и следите за обновлениями.

Сегодняшние обновления отражают вектор развития наших моделей: мы объединяем специализированные возможности рассуждения о-серии с более естественными навыками разговорной речи и использования инструментов серии GPT. Объединив эти сильные стороны, наши будущие модели обеспечат бесшовные, естественные беседы наряду с проактивным использованием инструментов и продвинутым решением задач.

Обновление от 28 июля 2025 г.: Набор данных SWE-Lancer и результаты обновлены по состоянию на 17 июля 2025 г. и доступны по адресу: https://github.com/openai/preparedness⁠ и в карточках наших систем. Это обновление устраняет несколько проблем, которые влияли на результаты заработанных средств, и отменяет требование подключения к интернету во время выполнения, устраняя основной источник вариативности в производительности модели.

Обновление от 16 апреля 2025 г.: результаты для o3 на Charxiv-r и Mathvista были обновлены с учетом изменения системного промпта, отсутствовавшего в первоначальной оценке.