OpenAI 的 O4-Mini：测试、功能、对比 O3 等

有几处我想修改。我发出了如下跟进提示：

1. 画一只更像样的恐龙——那个团块完全不像恐龙。

2. 让用户可以按键开始游戏——不要立即开始。确保仍在屏幕上保留所有说明。

3. 游戏结束时，让用户可以再试一次。

第二次结果：

那只恐龙在我看来更像一台老式摄影机，但其余部分都很棒。

大规模输入的多模态推理

斯坦福近日发布了《2025 AI 指数报告》，这是一份 450 页（117,649 令牌）概览，介绍 AI 行业的现状。我让 o4-mini-high 阅读并预测 2026 年的 10 大趋势。它处理得很好，仅用 9 秒就完成了。

以下是它对 2026 年的预测：

1. 在新推理基准上接近人类水平的表现
2. 面向生产级 LLM 的超低成本推理
3. 合成+真实数据的训练管道
4. AI 原生硬件的广泛采用
5. 多模态基础模型的标准化
6. 负责任 AI 的认证与审计机制
7. AI 驱动的科学发现加速诺奖级研究
8. 本地化的 AI 治理框架与全球协同
9. AI 教育的普及化与劳动力就绪度提升
10. 作为协作型知识工作者的 AI 代理

大多预测有道理，但有些略显乐观。比如第二条——是的，推理成本在下降，但“超低”可能有些夸张，尤其对更大模型与未充分优化的部署而言。

第四条也类似：AI 原生硬件在进步，但要实现广泛采用，还取决于供应链、软件集成与生态支持，这些都需要时间。

至于第九条，距真正称得上 AI 教育的全面普及还有相当距离，不过公平地说，模型并未说“完全”。

O4-Mini 基准评测

O4-mini 的设计目标是快速且高性价比，但在广泛的推理基准上仍有不俗表现。在某些情况下，甚至超过像 o3 这样的更大型模型。

数学与逻辑

这些测试强调结构化推理，通常需要多步操作才能正确解出数学题。例如 AIME 基准来自高中数学竞赛。

• AIME 2024：o4-mini（无工具）得分 93.4%，高于 o3（91.6%）、o3-mini（87.3%）与 o1（74.3%）。
• AIME 2025：o4-mini（无工具）得分 92.7%，同样领先于 o3（88.9%）、o3-mini（86.5%）与 o1（79.2%）。

来源： OpenAI

编码

这些基准测试模型编写、调试与理解代码的能力。Codeforces 是一套竞技编程数据集，而 SWE-Bench 与 Aider Polyglot 则模拟真实工程任务。

• Codeforces：o4-mini（含终端）ELO 为 2719，略高于 o3（2706）。o3-mini 为 2073，o1 明显落后在 1891。
• SWE-Bench Verified：o4-mini 得分 68.1%，略低于 o3 的 69.1%，但领先于 o1（48.9%）与 o3-mini（49.3%）。
• Aider Polyglot（代码编辑）：o4-mini-high 得分 68.9%（whole） 与 58.2%（diff）。对比之下，o3-high 得分为 81.3%（whole） 与 79.6%（diff）。

来源： OpenAI

多模态推理

这些基准衡量模型处理视觉输入（如图表、曲线与示意图）的能力，将图像理解与逻辑推理结合考察。

• MMMU：o4-mini 得分 81.6%，接近 o3（82.9%），并好于 o1（77.6%）。
• MathVista：o4-mini 得分 84.3%，落后于 o3（86.8%），但显著高于 o1（71.8%）。
• CharXiv（科学图像）：o4-mini 达到 72.0%，低于 o3（78.6%），但高于 o1（55.1%）。

来源： OpenAI

通用问答与推理

这些数据集测试广泛的问答能力，包括博士级科学问题与跨学科的开放式推理。为取得高分，往往需要使用工具。

• GPQA Diamond：o4-mini 得分 81.4%，低于 o3（83.3%），但高于 o1（78.0%）与 o3-mini（77.0%）。
• Humanity’s Last Exam：
• o4-mini（无工具）：14.28%
• o4-mini（含 Python + 浏览）：17.70%
• 作参照，o3（含工具）得分 24.90%，Deep Research 得分 26.60%。

来源： OpenAI

O4-Mini 与 O3：该选哪一个？

O4-mini 与 o3 的设计理念一致：能配合工具进行推理、逐步思考，并处理文本、代码与图像。但它们面向的取舍不同。简言之：

• 如果精度是首要考量、成本次之，请选 o3。
• 如果更看重速度、量级或成本效率，而不是追求再多出几个基准点，请选 o4-mini。

O3 整体更强

在 CharXiv、MathVista 与 Humanity’s Last Exam 等基准上，o3 的得分高于 o4-mini。它在需要更长推理链或精确代码生成的复杂任务上也更稳定。如果您从事研究问题、科学流程，或任何将准确性置于速度或成本之上的工作，o3 往往是更稳妥的选择。

O4-mini 更便宜也更快

价格差异显著：o4-mini 的输入 $1.10、输出 $4.40，而 o3 分别为 $10 与 $40。几乎全线是 10 倍差距。您还将获得更快的响应时间与更高的吞吐，这使其更适合生产环境、实时工具或任何需要规模化运行的场景。

多模态并非决策因素

两款模型都具备多模态与工具能力，都支持 Python、浏览与视觉。如果您只是需要这类特性，任选其一都可。

如何在 ChatGPT 与 API 中使用 o4-mini

根据您的套餐，您可以在 ChatGPT 与 OpenAI API 中使用 o4-mini。

在 ChatGPT 中

如果您订阅了 ChatGPT Plus、Pro 或 Team，o4-mini 已可使用。您会在模型选择器中看到 “o4-mini” 与 “o4-mini-high”。

这些选项取代了较早的 o3-mini 与 o1。免费用户也可通过在发送提示前在撰写器中选择 “Think” 模式，有限体验 o4-mini。注意：

• o4-mini 是默认的快速版本。
• o4-mini-high 通过提高推理投入来提升质量，但牺牲速度。

在 API 中

o4-mini 也可通过OpenAI API 的 Chat Completions 与 Responses 端点使用。标准版与高推理版均支持工具使用，包括浏览、Python 与图像输入，具体取决于您的工具集配置。

当前快照的模型 ID 为 o4-mini-2025-04-16。定价为每百万输入令牌 $1.10、每百万输出令牌 $4.40，支持缓存与批处理。若您使用 Responses API，还可见到推理令牌并对多步链路中的工具执行有更多控制。

结论

o4-mini 在数学、代码与多模态任务上都有扎实表现，同时相比 o3 将推理成本降低了一个数量级。基准结果显示，即便是多模态推理或编码这类模型通常会吃力的任务，它也能撑得住。

这也是 OpenAI 首次将全量工具支持与原生多模态引入 mini 级模型。仅此一点，就使它领先于 o3-mini 与 o1，而它也在大多数 ChatGPT 层级中取代了这两者。随着 o4-mini-high 的加入，用户还能更好地在速度与输出质量之间做权衡。

是否选择 o4-mini 取决于任务本身。论原始能力它比不过 o3，但凡是需要快速运行、易于扩展或预算更紧的场景，它都是很强的选项——而且在很多情况下，已经足够好。