OpenAI 最强推理模型 o3 发布，对哪个领域最有用？

如果未来普通人能够广泛使用 o3 模型，我相信它将在两个领域带来显著的帮助：数学领域和编程领域。

首先，谈谈数学领域。

o3 模型在美国数学奥林匹克考试（AIME）中取得了前所未有的 96.7% 的正确率，同时在博士级科学问题测试（GPQA Diamond）中的正确率也高达 87.7%。要知道，人类专家在 GPQA 测试中的平均得分仅为 70%。这样的表现充分显示了 o3 模型在复杂数学推理和高难度科学问题上的卓越能力。

同时，对比上一代的 o1 模型，o3 在 AIME 测试中的准确率提升了 13%，在 GPQA 测试中的准确率也提高了 9%。可以说，o1 大模型相较之下显得略为逊色。

再来看国内的推理大模型。例如，Kimi 最新推出的 k0-math，其在 AIME 考试中的得分仅为 50，而 o3 已经将这一成绩提升至 96.7，几乎接近满分的状态。这种对比无疑突显了 o3 在数学推理领域的卓越性能。

此外，我们再观察最近谷歌发布的推理大模型 Gemini 2.0 Flash，它在 GPQA 数学测试集上的准确率仅为 62%。这一表现不免让人猜测，o3 的发布是否正是为了狙击 Gemini 2.0 Flash。面对这种对比结果，只有一句话可以形容：o3 遥遥领先。

另一个数学基准测试叫EpochAI Frontier Math，它被认为是现在最有挑战性的数学测试之一，包括了最新的前沿数学难题。著名数学家陶哲轩（Terence Tao）说：“这个测试可能会让AI头疼好几年。”

其他模型在这个测试中，仅得分在2%，而o3生生把它干到了25.2%，也就是解决了大概25.2%的问题。那么以后有没有可能，这个测试集会被o系列模型攻破呢？我觉得机会很大，这也充分说明o3模型在处理高度复杂问题的强大能力。

Box公司的CEO亚伦·列维在X上夸赞说：“OpenAI最近推出了他们的新推理模型o3，这个模型在基准测试里表现得特别棒，现在看，人工智能的发展一点都没有慢下来的意思。”

而对于编程来说，o3提升的性能也更加强大。

在CodeForces这个全球的编程比赛平台上，o3系列模型显示出了它最强大的编程能力。目前o3推理模型得分有2727分，比大多数人类程序员都要高。

这个得分在全球排名中名列第175位，要知道，2700分以上几乎可以超越网站中99.9%的人类选手了。

在另一个编程比赛SWE-bench Verified中，o3以 71.7%的准确率刷新记录，相比前代模型o1提升 超过20%；

目前按照这个未来趋势，OpenAI的o系列大模型可能真的要奔着把所有程序员干到失业才罢休？

写在最后

目前看，o3模型虽然能力很强大，但是需要的计算资源确实不少。但这确实说明，随着计算量增加，新任务的性能也会提高（至少能达到这个水平）。以前很多的技术都是一开始具有很高的成本，但慢慢的随着技术的不断进步和优化，这些高成本的障碍逐渐被克服。就像计算机的发明一样，虽然初始的造价成本高昂，但随着时间的推移和技术的深入研究，还是有望找到更高效的方法来降低成本，同时保持甚至提升其性能。这正是科技发展的魅力所在，不断挑战极限，实现更高的目标。