西風 發自 凹非寺
量子位 | 公眾號 QbitAI

OpenAI“最新最強版”推理模型o3-pro，實際推理能力到底有多強？

全球首位全職提示工程師Riley Goodside來給它上難度：

• 說出歌手Sabrina Carpenter的一首歌的歌名，回答這個問題時，每個單詞最后一個字母連起來看，也能對應這首歌名

結果，o3-pro在經過4分25秒的推理過后，成功給出正確答案。

經Sabrina Carpenter實測，o3只能做對個大概，通常只能把最后幾個字母湊對。

該測試引來OpenAI前AGI Readiness團隊負責人Miles Brundage的轉發關注。

雖然人已經不在OpenAI了，但Miles Brundage還是替老東家直接開大陰陽蘋果：如果這都不叫推理那什么叫推理。

PS：蘋果前幾天發了個新研究，用漢諾塔等四個小游戲測試大模型，稱推理模型全都沒在真正思考，只是另一種形式的“模式匹配”，所謂思考只是一種假象。

除了網友實測外，各大評測榜單已陸續同步更新排名。

總結來看，和官方給的測試結果略有不同。

官方測評中，o3-pro超越o3、o1-pro，成為當前最擅長編碼的OpenAI模型。

而在大模型權威榜單LiveBench上，o3-pro和o3編碼平均得分幾乎無差，o3-pro僅有0.07分的優勢。

智能體編碼平均得分方面，o3-pro甚至大比分落后于o3（31.67 vs 36.67）。

亞馬遜云科技&谷歌前高管Bindu Reddy表示：

• 主要是它在智能體這塊不太行，工具使用也不咋擅長。
• 昨天的大新聞不是o3-pro ，而是o3降價了??！

另外，針對大模型長上下文理解的基準測試Fiction.LiveBench也放榜了。

o3-pro在較短上下文場景下表現很出色，較o3有所提升。

然鵝，192k超長上下文處理依然是Gemini 2.5 Pro占優勢，Gemini 2.5 Pro得分90.6，而o3-pro僅得分65.6。

讓人困惑的是，在這個基準測試中，不管是o3-pro還是o3，在16k上下文中分數都下降了，到了32k，兩個模型得分又回到了100。

除此之外，蘋果&SpaceX前工程師Ben Hylak之前分享o1使用心得，得到不少網友關注，連奧特曼、Brockman都轉發了。

這次o3-pro他同樣沒放過，而且又被奧特曼翻了牌子。

蘋果&SpaceX前工程師分享使用心得

蘋果&SpaceX前工程師Ben Hylak的分享，好似恰巧解釋了o3-pro的官方測評和各大評測榜單結果有所出入的問題。

Ben Hylak曾任SpaceX軟件工程師、蘋果VisionOS人機交互設計師，目前在創業為AI產品提供分析服務。

此前o1 pro推出滿血$200/月版本時，Ben Hyla第一天就交了錢，整整測試了一天。

結果體驗很糟糕，很多人表示同感，但也有人強烈反對。Ben Hylak在與持不同觀點人激烈討論了一番后，意識到自己的使用方法完全錯了。

• 我還在把o1當聊天模型來用，但o1已經不是聊天模型了。

后來，Ben Hylak從討厭o1轉變成了每天都在用它解決最重要的問題。這件事兒的反轉，讓Ben Hylak測試o3-pro更加用心。

他透露這次自己一周前就已經提前接觸到了3-pro，o3-pro“以不同方式測試，實際體驗會有所不同”。

從經常測評大模型的經驗來看，Ben Hylak認為“模型能力的發揮高度依賴背景信息”，他表示自己目前使用o3關鍵就是：

• 不把它當聊天對象，而是當作報告生成器。給它背景信息、設定目標，然后讓它自由發揮。

由此，要看出o3-pro的真正實力，得給它多得多的背景信息。然鵝，Ben Hylak手頭的信息素材都快榨干了。于是，Ben Hylak換了種方法：

他和他的聯合創始人Alexis花時間把他們在Raindrop所有歷史會議記錄、目標全翻出來，甚至錄了語音備忘錄，一股腦塞給o3-pro，讓它做規劃。

結果，被o3-pro驚艷到了：

• 它輸出的計劃精準踩中我們想要的點——目標數據、時間排期、優先級排序，連“必須砍哪些業務”都寫得明明白白。
• o3給出的計劃合理、說得通；但o3-pro給出的計劃足夠具體、有依據，真真切切改變了我們對未來的思考方式。
• 這在評估中很難體現出來。

除此之外，Ben Hylak認為如今的模型在孤立環境下表現已然十分出色，簡單測試難不倒它，真正的挑戰在于將其融入社會。

這種融入主要體現在工具調用方面，即模型與人類、外部數據以及其它AI協作得如何

經測試，Ben Hylak表示o3-pro在這方面有了實實在在的提升——

“它在識別自身所處環境、準確說明可使用的工具、知曉何時需詢問外部世界信息（而非假裝自己掌握相關信息或權限 ）以及為任務挑選合適工具等方面，表現都明顯更優?！?/p>

下面是展示示例。Ben Hylak讓o3-pro和o3做一個日歷。

o3-pro顯然能更好地理解其所處環境的邊界，明確表示：

在這個聊天窗口中無法顯示實時交互的HTML預覽（我的環境僅支持純文本和代碼片段）

并且給出了要查看渲染后日歷的詳細步驟操作，還描述了用戶將看到的視覺內容。

相比之下，o3明明做不到還裝能做，表示可以“創建日歷小組件的實時交互預覽”。

下面這個例子，Ben Hylak讓模型找今年關于Borges的Substack文章。

o3-pro同樣明確表示進行實時Substack查詢所需的網頁搜索工具在當前環境未啟用，所以無法直接獲取最新鏈接。

而o3表示搜索了，但沒有找到2025年發布的Borges的Substack文章。

Ben Hylak還發現，需要給o3-pro提供更多上下文，要是不提供足夠的上下文，它會出現過度思考的情況。

• 它在分析方面超強，也很擅長借助工具做事，但自己直接動手做事就沒那么在行。我覺得它會是個超棒的協調者。不過，有些ClickHouse SQL相關問題，o3處理得更好。實際效果因人而異。

o3-pro給Ben Hylak帶來的體驗與Claude Opus、Gemini 2.5 Pro相比，都不同。

Ben Hylak認為Claude Opus雖體量龐大，但沒讓他真切感受到這種“大”的獨特價值；而o3-pro的輸出更優，仿佛兩者完全處于不同的競爭維度。

他繼續補充道，OpenAI正沿著強化學習路徑深挖（比如Deep Research、Codex項目），不只是教模型“怎么用工具”，更是教它們“思考何時該用工具”。

最后，Ben Hylak總結認為推理模型的Prompt技巧核心邏輯不變，之前他寫的o1提示指南，現在依然適用o3-pro。

首先，“語境”是一切，就像給“餅干怪獸”喂餅干，精準投喂才有效，它是一種引導大語言模型激活“類記憶能力”的方式，但因為足夠精準，所以效果拔群。

另外，系統提示的影響極大。如今模型的可塑性超強，那些能讓模型“理解自身所處環境與目標”的LLM調教框架，能產生遠超預期的價值。

[1]https://www.latent.space/p/o3-pro
[2]https://x.com/Miles_Brundage/status/1932889744306024815
[3]https://x.com/ficlive/status/1932588629768982751
[4]https://x.com/bindureddy/status/1932889892562088086