OpenAI O3: Fitur, Perbandingan dengan O1, Tolok Ukur, dan Lainnya

Apa itu OpenAI o3?

o3 adalah model frontier terbaru dari OpenAI, dirancang untuk memajukan kemampuan penalaran pada beragam tugas kompleks seperti pengkodean, matematika, sains, dan persepsi visual. 

Model penalaran o3 adalah model penalaran pertama dengan akses penggunaan alat otonom. Artinya, o3 dapat menggunakan pencarian, Python, pembuatan gambar, dan interpretasi untuk menyelesaikan tugasnya. 

Hal ini berbuah pada performa yang kuat pada tolok ukur lanjutan yang menguji pemecahan masalah dunia nyata, di mana model sebelumnya kesulitan. OpenAI menyoroti peningkatan o3 dibandingkan o1, memposisikannya sebagai model mereka yang paling cakap dan serbaguna hingga saat ini. 

O1 vs. O3

o3 dibangun langsung di atas fondasi yang ditetapkan oleh o1, namun peningkatannya signifikan di area kunci. OpenAI memposisikan o3 sebagai model yang dirancang untuk menangani tugas penalaran yang lebih kompleks, dengan peningkatan performa yang tercermin pada tolok ukurnya.

Pengkodean

Saat diuji pada tugas rekayasa perangkat lunak, o3 mencapai akurasi 69,1% pada tolok ukur SWE-Bench Verified Software Engineering, peningkatan substansial dibandingkan skor o1 sebesar 48,9%.

Sumber: OpenAI

Demikian pula, dalam pemrograman kompetitif, o3 mencapai skor ELO 2706, jauh melampaui rekor tertinggi o1 sebelumnya yaitu 1891. Selain itu, o3 berkinerja jauh lebih baik pada tolok ukur pengeditan kode, dengan varian o3 mengungguli o1 di seluruh aspek pada tolok ukur Aider Polyglot Code Editing.  

Sumber: OpenAI

Matematika dan sains

Peningkatannya tidak terbatas pada pengkodean. o3 juga unggul dalam penalaran matematis, meraih akurasi 91,6% pada AIME 2024, dibandingkan 74,3% pada o1. o3 juga meraih 88,9% pada AIME 2025. Pencapaian ini menunjukkan model yang mampu menangani masalah yang lebih bernuansa dan sulit, mendekati tolok ukur yang secara tradisional didominasi oleh pakar manusia.

Sumber: OpenAI

Loncatan serupa juga terlihat pada tolok ukur terkait sains. Pada GPQA Diamond, yang mengukur performa pada pertanyaan sains tingkat PhD, o3 mencapai akurasi 83,3%, naik dari 78% pada o1. Peningkatan ini menunjukkan peningkatan luas dalam kemampuan model untuk menyelesaikan masalah teknis yang menuntut lintas disiplin.

Sumber: OpenAI

Penalaran visual

Salah satu aspek paling mencolok dari model o3 baru adalah kemampuannya untuk bernalar dengan gambar langsung dalam rantai pikirnya. Artinya, o3 dapat memadukan penalaran visual dan tekstual saat menyelesaikan masalah, dan hal ini tercermin dalam performa o3 di berbagai tolok ukur penalaran visual.

Sumber: OpenAI 

Sebagai contoh, o3 mengungguli o1 pada berbagai tolok ukur penalaran visual, termasuk tolok ukur pemecahan masalah visual tingkat perguruan tinggi MMMU (82,9% vs 77,6% pada o1), tolok ukur Penalaran Matematika Visual MathVista (86,8% vs 71,8% pada o1), dan tolok ukur Penalaran Gambar Ilmiah CharXiv-Reasoning (78,6% vs 55,1% pada o1). 

Sumber: OpenAI

Matematika frontier EpochAI

Satu area di mana kemajuan o3 sangat mencolok adalah pada tolok ukur EpochAI Frontier Math.

Ini dianggap sebagai salah satu tolok ukur paling menantang dalam AI karena terdiri dari masalah baru yang belum dipublikasikan dan sengaja dirancang jauh lebih sulit daripada dataset standar. Banyak dari masalah ini setara dengan tingkat riset matematika, yang sering kali memerlukan waktu berjam-jam bahkan berhari-hari bagi matematikawan profesional untuk menyelesaikan satu masalah. Sistem AI saat ini biasanya mencetak kurang dari 2% pada tolok ukur ini, menegaskan tingkat kesulitannya.

O3 pada EpochAI Frontier Math. Sumber: OpenAI

Frontier Math milik Epic AI penting karena mendorong model melampaui hafalan atau pengoptimalan pola yang familier. Sebaliknya, ia menguji kemampuan model untuk menggeneralisasi, bernalar secara abstrak, dan menangani masalah yang belum pernah ditemui sebelumnya—sifat-sifat penting untuk memajukan kemampuan penalaran AI. Skor o3 sebesar 25,2% pada tolok ukur ini merupakan lompatan jauh di depan kinerja terbaik sebelumnya. .

Terobosan O3 pada ARC AGI

Salah satu pencapaian paling mencolok dari o3 adalah performanya pada tolok ukur ARC AGI, sebuah tes yang secara luas dianggap sebagai standar emas untuk mengevaluasi kecerdasan umum pada AI.

Dikembangkan pada 2019 oleh François Chollet, ARC (Abstraction and Reasoning Corpus) berfokus pada penilaian kemampuan AI untuk mempelajari dan menggeneralisasi keterampilan baru dari contoh minimal. Tidak seperti tolok ukur tradisional yang sering menguji pengetahuan terlatih atau pengenalan pola, tugas ARC dirancang untuk menantang model agar menyimpulkan aturan dan transformasi secara langsung—tugas yang dapat diselesaikan manusia secara intuitif tetapi secara historis sulit bagi AI.

Yang membuat ARC AGI sangat sulit adalah setiap tugas memerlukan keterampilan penalaran yang berbeda. Model tidak dapat bergantung pada solusi atau templat yang dihafal; sebaliknya, model harus beradaptasi dengan tantangan yang sepenuhnya baru di setiap tes. Misalnya, satu tugas mungkin melibatkan identifikasi pola dalam transformasi geometris, sementara tugas lain mungkin memerlukan penalaran tentang deret numerik. Keberagaman ini menjadikan ARC AGI ukuran yang kuat tentang seberapa baik AI benar-benar dapat berpikir dan belajar seperti manusia.

Bisakah Anda menebak logika yang mengubah masukan menjadi keluaran? Sumber: OpenAI

Performa o3 pada ARC AGI menandai tonggak penting. Pada pengaturan komputasi rendah, o3 mencetak 76% pada himpunan semi-pribadi—angka yang jauh di atas model sebelumnya mana pun.

Saat diuji dengan pengaturan komputasi tinggi, o3 mencapai 88% yang lebih mengesankan, melampaui ambang 85% yang sering disebut sebagai kinerja setara manusia. Ini adalah pertama kalinya AI melampaui manusia pada tolok ukur ini, menetapkan standar baru untuk tugas berbasis penalaran.

Sumber: ArcPrize

Kami menilai hasil ini sangat patut dicatat karena menunjukkan kemampuan o3 untuk menangani tugas yang menuntut kemampuan beradaptasi dan generalisasi, bukan sekadar pengetahuan hafalan atau komputasi brute force. Ini indikasi jelas bahwa o3 semakin mendekati kecerdasan umum sejati, melampaui kemampuan spesifik domain menuju area yang sebelumnya dianggap eksklusif untuk manusia.

Meski begitu, hasil di atas didasarkan pada versi o3 yang dibagikan dalam acara 12 Days of Christmas OpenAI pada bulan Desember, dan OpenAI telah mengonfirmasi bahwa versi o3 yang baru dirilis berbeda dari yang ditunjukkan pada pengujian di atas. ARC AGI akan segera merilis hasil performa terbaru o3.

Inovasi Teknis o3

Peningkatan performa sebesar ini tidak terjadi begitu saja. Tim di OpenAI menemukan sejumlah terobosan untuk mencapai angka-angka seperti ini:

Inovasi dalam reinforcement learning

OpenAI menemukan bahwa meningkatkan anggaran komputasi selama pelatihan reinforcement learning meningkatkan performa model—mencerminkan perilaku penskalaan yang kita lihat pada prapelatihan tersupervisi di model GPT. Namun kali ini, alih-alih mengoptimalkan prediksi kata berikutnya, o3 belajar dengan memaksimalkan reward reinforcement learning, sering kali melalui lingkungan yang ditingkatkan alat.

Dengan kata lain, OpenAI memperlakukan reinforcement learning lebih seperti prapelatihan—menaikkannya dari sisi durasi dan komputasi—dan tampaknya berhasil. Ini membuka kemampuan yang diuntungkan dari perencanaan jangka panjang dan penalaran berurutan, seperti pemrograman kompetitif dan pembuktian matematika multi-langkah. Ketika dipadukan dengan penggunaan alat, peningkatan performanya menjadi semakin nyata.

Inovasi dalam penalaran visual

o3 juga menunjukkan peningkatan signifikan dalam penalaran visual. Ia tidak hanya memahami gambar—ia mengintegrasikannya langsung ke dalam loop penalarannya. Ini mencakup menafsirkan, memanipulasi, dan memeriksa ulang gambar saat menyelesaikan masalah. Inilah salah satu alasan o3 unggul pada tugas yang melibatkan gambar ilmiah, diagram matematika, bahkan penjadwalan dari foto.

Salah satu inovasi kunci adalah bagaimana o3 mempertahankan gambar mentah dalam memori sepanjang proses penalarannya. Alih-alih memproses keterangan statis lalu membuang gambar, o3 dapat memperbesar, memutar, atau meninjau kembali bagian berbeda dari gambar sesuai kebutuhan menggunakan alat. Ini membuat penalarannya lebih dinamis dan memungkinkannya menangani masukan visual yang lebih berantakan, seperti papan tulis buram, diagram gambar tangan, atau foto jadwal konferensi.

Dalam salah satu contoh, OpenAI menggunakan o3 untuk membaca gambar jadwal pertunjukan berkualitas rendah dan menyusun rencana perjalanan yang memuat setiap acara dengan jeda sepuluh menit di antaranya—sesuatu yang memerlukan pemahaman tata letak visual sekaligus menerapkan kendala waktu nyata.

Kami ingin menguji keterampilan visualnya dengan uji cepat kami sendiri. Pertama, kami memberi o1 gambar sederhana dan menanyakannya, “Fraktal apa yang mulai kita gambar?” 

o1 menjawab dengan keliru. o3, di sisi lain, benar: o3 memberi tahu kami bahwa kami mulai menggambar dragon curve. Ini memang uji kecil, tetapi kami terkesan dengan hasilnya karena kami tidak banyak memberi petunjuk kepada o3.

Inovasi dalam efisiensi biaya

Menariknya, metrik biaya versus performa lebih baik pada o3. Artinya, performanya lebih tinggi pada tingkat biaya inferensi yang sama. Ini mungkin berkat pengoptimalan arsitektur yang meningkatkan throughput token dan mengurangi latensi. Biaya telah menjadi topik hangat sejak Deepseek-R1 mengumumkan performa sangat tinggi dengan sebagian kecil biaya ChatGPT.

Apa itu o3 Mini?

Per April 2025, o3-mini sepenuhnya digantikan oleh o4-mini di ChatGPT dan API. o4-mini menawarkan performa lebih baik pada sebagian besar tolok ukur, menambahkan input multimodal native, dan mempertahankan kompatibilitas alat—sembari tetap lebih cepat dan lebih terjangkau daripada o3. Praktisnya, o4-mini kini mengambil alih peran yang dirancang untuk o3-mini. Namun, konten di bawah ini tetap berlaku tentang o3-mini.

o3-mini diperkenalkan bersamaan dengan o3 sebagai alternatif hemat biaya yang dirancang untuk menghadirkan kemampuan penalaran tingkat lanjut kepada lebih banyak pengguna sambil mempertahankan performa. OpenAI menggambarkan o3-mini sebagai pendefinisi ulang “batas biaya-performa” pada model penalaran, menjadikannya dapat diakses untuk tugas yang menuntut akurasi tinggi tetapi harus menyeimbangkan keterbatasan sumber daya.

Salah satu fitur menonjol o3-mini adalah waktu berpikir adaptif, yang memungkinkan pengguna menyesuaikan upaya penalaran model berdasarkan kompleksitas tugas. Untuk masalah yang lebih sederhana, pengguna dapat memilih penalaran upaya rendah untuk memaksimalkan kecepatan dan efisiensi.

Untuk tugas yang lebih menantang, opsi upaya penalaran yang lebih tinggi memungkinkan model berkinerja setara dengan o3 sendiri, namun dengan sebagian kecil dari biayanya. Fleksibilitas ini sangat menarik bagi pengembang dan peneliti yang bekerja pada beragam kasus penggunaan.

Sumber: OpenAI

Demo langsung menunjukkan bagaimana o3-mini menepati janjinya. Misalnya, dalam tugas pengkodean, o3-mini diminta membuat skrip Python untuk membuat server lokal dengan UI interaktif untuk pengujian. Terlepas dari kompleksitas tugas, model berkinerja baik, menunjukkan kemampuannya menangani tantangan pemrograman.

Sumber: OpenAI

Kami memandang o3-mini sebagai solusi praktis untuk skenario di mana kehematan biaya dan performa harus selaras.

Pembaruan o3 dalam Pengujian Keamanan

Butuh waktu ekstra agar O3 tersedia, dan sebagian alasannya mungkin terkait inovasi dalam keamanan.

Pelatihan penolakan yang didefinisikan ulang

OpenAI mengatakan mereka membangun ulang dataset pelatihan keamanannya dan memperkenalkan ribuan prompt penolakan yang ditargetkan. Mereka menyoroti kategori spesifik: ancaman biologis, pembuatan malware, dan teknik jailbreak. Data pelatihan yang diperbarui ini memungkinkan o3 menunjukkan akurasi penolakan yang kuat pada tolok ukur internal, seperti penanganan hierarki instruksi dan ketahanan terhadap jailbreak. Untuk mencapai ini, dilaporkan, anggota tim OpenAI menghabiskan seribu jam menandai konten yang tidak aman.

Pemantauan dengan LLM penalaran

OpenAI juga menerapkan pemantau LLM berbasis penalaran (yang mereka sebut “safety-focused reasoning monitor”). Jadi selain melatih model untuk berkata “tidak” pada prompt tidak aman, OpenAI memperkenalkan lapisan keamanan tambahan berupa LLM berbasis penalaran. Bayangkan ini sebagai model penjaga yang berjalan paralel, dilatih khusus untuk menalar maksud dan potensi risiko dari masukan pengguna, menggunakan aturan keamanan yang ditulis manusia sebagai panduan.

Deliberative alignment

OpenAI mengadopsi pendekatan proaktif untuk pengujian keamanan bagi o3 dan o3 mini dengan membuka akses kepada para peneliti untuk evaluasi keamanan publik sebelum peluncuran penuh model-model tersebut.

Fitur utama dari strategi keamanan OpenAI untuk o3 adalah deliberative alignment, metode yang melampaui pendekatan keamanan tradisional. Grafik di bawah menyoroti bagaimana deliberative alignment berbeda dari metode lain seperti RLHF (Reinforcement Learning with Human Feedback), RLAIF (Reinforcement Learning with AI Feedback), dan teknik penyempurnaan saat inferensi seperti Self-REFINE.

Sumber: OpenAI

Dalam deliberative alignment, model tidak sekadar bergantung pada aturan statis atau dataset preferensi untuk menentukan apakah suatu prompt aman atau tidak. Sebaliknya, model menggunakan kemampuan penalarannya untuk mengevaluasi prompt secara waktu nyata. Grafik di atas mengilustrasikan proses ini:

1. Pembuatan data pelatihan: Tidak seperti RLHF, di mana masukan manusia secara langsung menginformasikan model, deliberative alignment menggunakan model penalaran untuk menghasilkan keluaran chain-of-thought (CoT) untuk prompt tertentu. Keluaran CoT ini memberikan pola penalaran bernuansa yang membimbing proses pelatihan, membantu model memahami konteks dan maksud dengan lebih efektif.
2. Waktu inferensi: Selama inferensi, model penalaran mengevaluasi prompt dan memberikan penjelasan chain-of-thought di samping jawabannya. Langkah ini memungkinkan model menilai secara dinamis maksud dan konteks sebuah prompt, mengidentifikasi potensi risiko tersembunyi atau ambiguitas yang mungkin terlewat oleh aturan statis.

OpenAI memperkirakan kita akan ingin terus membaca tentang keamanan. Untuk itu, mereka merilis Preparedness Framework dengan gagasan mereka tentang mengukur dan melindungi dari bahaya berat.

Bagaimana dengan o3-Pro?

Di pemilih model ChatGPT, kini Anda akan melihat o3 dan o4-mini tersedia. Menurut pengumuman OpenAI, o3-pro diharapkan diluncurkan dalam beberapa minggu mendatang. Model ini akan mencakup kemampuan penggunaan alat yang sama—seperti Python, penjelajahan, dan analisis gambar—seperti model lain dalam seri o.

Jika Anda tertarik pada pembaruan kapan o3-pro tersedia, daftarlah ke buletin DataCamp, The Median, dan kami akan memberi tahu Anda segera setelah dirilis.

Kesimpulan

O3 dan o3 mini menyoroti kompleksitas AI yang kian meningkat dan tantangan merilisnya secara bertanggung jawab. Meski tolok ukurnya mengesankan, kami justru lebih tertarik pada pertanyaan yang muncul: Seberapa baik performanya berkelanjutan dalam skenario dunia nyata? Apakah langkah-langkah keamanan cukup tangguh untuk menangani kasus tepi dalam skala besar?

Bagi kami, o3 dan o3 mini adalah sinyal awal sistem AI yang merayap menuju otonomi yang lebih besar. Kemampuan penalaran dan adaptabilitasnya yang mengesankan menunjukkan pergeseran dari alat yang kita operasikan menjadi agen yang bertindak atas nama kita. Apa yang terjadi ketika sistem ini menavigasi tugas terbuka tanpa pengarahan manusia? Bagaimana kita mengevaluasi model yang menghasilkan tujuannya sendiri, bukan hanya keluarannya?

Jika Anda tertarik mengeksplorasi lebih banyak topik AI, kami merekomendasikan:

• Artikel Pengantar GPT-4.1
• Artikel Pengantar Llama 4
• Artikel Pengantar Gemini 2.5 Pro