OpenAI发布创新推理引擎o3，赋予AI图像理解新技能

OpenAI 于2025年4月17日发布了全新的推理模型 o3，其最大的亮点是实现了图像思考能力。以下是该模型在图像思考能力方面的具体表现：

图像思考能力

• 将图像融入思维链：o3模型能够将图像直接整合到其思维链中，不仅仅是查看图像，而是真正用图像进行思考。这解锁了一种新的问题解决类别，实现了视觉和文本推理的深度融合。

• 处理低质量图像：即使图像模糊、颠倒或质量很低，o3模型也能解读并进行分析。例如，用户可以上传白板照片、教科书图表或手绘草图，模型都能理解其内容。

• 实时操作图像：在推理过程中，o3模型可以实时操作图像，如旋转、缩放或将其作为推理过程的一部分进行变换。这种能力使其能够更灵活地处理图像相关问题。

性能提升

• 推理能力更强：o3是OpenAI迄今为止发布的最强大的推理模型，在编码、数学、科学、视觉感知等领域均处于领先地位。与前代模型相比，在复杂现实任务上的表现更优，重大错误减少了20%。

• 思考时间更长：o3模型在回答问题前能够进行更长时间的思考，其性能会随着思考时间的增加而持续提升。在相同的延迟和成本下，o3的性能优于前代o1模型。

• 多模态基准测试领先：o3在多模态基准测试中达到了最先进的水平，这标志着其在多模态推理方面迈出了重要一步。

工具使用能力

o3模型能够智能地使用和结合ChatGPT中的各种工具，包括搜索网络、使用Python分析上传的文件和其他数据、深入推理视觉输入，甚至生成图像。这些模型经过训练，能够推理何时以及如何使用工具，以快速生成详细且深思熟虑的答案，通常在不到一分钟内完成。