选 AI 比选对象还难！“起名黑洞”OpenAI 的新模型，到底怎么选？

一句话概述：o3 在深度推理及工具使用方面表现突出，适合复杂任务；而 GPT-4.1 的超长上下文和精确的指令执行则更适合 API 开发，o4-mini 则是日常任务中的“性价比之选”。

如果你最近在关注 AI 相关消息，可能会被层出不穷的新模型搞得眼花缭乱。

尤其是以“命名黑洞”著称的 OpenAI，其命名规则显得相当随意。

即便是 AI 领域的资深团队，在面对同时发布的 o3、o4-mini、GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 时，也会感到疑惑。

为了应对这一困扰，来自 Every 和 DataCamp 的团队经过反复测试和模型切换，尝试了多种提示词，得出以下结论：

• o3：OpenAI 的最新旗舰模型，专为复杂推理和工具调用而设计，是最具深度思考能力的模型。

• o4-mini：效率引擎——快速、廉价，对数学、视觉推理及成本敏感的任务表现卓越。尽管不是顶尖模型，但凭借其高效性，完全可以处理一般任务。

• GPT-4.1：专为 API 设计的主力模型——精确的指令执行和优秀的长上下文记忆。

接下来，来看这三款模型的新特性、各自专长以及它们在 Every 团队工作流中的实际表现。

o3——OpenAI 最强推理模型

o3 是 OpenAI 最新的前沿模型，旨在提升其在编码、数学、科学和视觉感知等复杂任务中的推理应对能力。

它是首个具备自主工具调用能力的推理模型，能够使用搜索、Python、图像生成及处理工具来完成任务。

凭借这项能力，它在解决现实问题的高级基准测试中表现出色，而之前的模型常常难以胜任。

OpenAI 特别强调相较于 o1，o3 的显著提升，并将其定义为迄今为止功能最强、适用性最广的模型。

o3 不仅像 GPT-4o 能使用工具、分析图像——它还能够将这些工具和图像融入推理过程中。

o3 的优势

・工具调用

o3 懂得如何使用单一工具，也能将多个工具串联起来，并在关键时刻调整策略。

例如，当你上传一张月度销售图表时，o3 可以先用 OCR 提取数据，然后用 Python 计算同比增长，随后检索行业基准提供背景——一气呵成。

在单条回复中，它最多可调用 600 次工具，边执行边自我优化；如遇问题也能迅速调整方向，堪比一位自驱动的分析师，随身携带瑞士军刀，清楚什么时候使用哪一把。

・视觉推理

o3 在图像解析上具备真实语境的深度理解。其他模型可能只说“这是一幅描绘女性的画”，而 o3 会放大视角，读取画家的签名，查找画作的展示博物馆，并为你讲述艺术流派的历史。

o3 的技术创新

其显著的性能提升绝非偶然。OpenAI 团队通过多个突破，取得了如此优越的表现：

・扩展强化学习

OpenAI 发现，通过在强化学习阶段增加算力投入，模型效果显著提升，这与 GPT 系列在监督预训练阶段的“越算越强”规律相符。但 o3 的优化并非针对“下一个词预测”，而是通过最大化强化学习奖励进行学习，并且通常在工具增强的环境中进行训练。

实际上，OpenAI 将强化学习视为“扩展版的预训练”：训练时间更长，算力需求更大，结果更佳。这使得诸如长期规划和序列推理等能力得以解锁，例如竞技编程和多步数学证明。结合工具调用，性能提升更为显著。

・动态视觉推理

o3 在视觉推理方面同样取得了重大突破。它不仅理解图像，还将图像直接融入推理循环——解释、操作、反复查看等均不成问题。因此，在处理科学图表、数学示意图，甚至排定日程的任务中表现突出。

核心方法是：在整个推理过程中始终保留原始图像。

与传统“生成文本描述后就丢弃图像”的方法不同，o3 可以借助工具随时放大、旋转、审视图像的任意区域，使得推理更加灵活，并且能够处理更为复杂的视觉输入，例如模糊的白板、手绘草图或会议日程照片。

例如，OpenAI 让 o3 解读一张低清晰度的演出排期照片，并规划一份每场活动之间留出 10 分钟休息的行程——既要解析视觉布局，又需实时考虑约束条件。

例如，给 o1 一幅粗糙的草图，问“这会绘制哪种分形？”——o1 答错，而 o3 却能准确识别为“龙形曲线”。

虽然问题简单，但结果却令人惊喜，因为我们并未提供太多提示。

・更高的成本效率

更令人意外的是，o3 具备更高的性价比：在相同推理成本下，获得了更优的表现。这或许归功于架构优化，提高了 Token 吞吐量并降低了延迟。

自 Deepseek-R1 以 ChatGPT 仅几分之一的成本获取高性能以来，成本一直是热门话题，而 o3 的表现显然进一步提升了业界的期望。

o4-mini——小巧而强大

o4-mini 是 OpenAI o 系列推理模型的新成员。

它针对速度、低成本以及工具增强推理能力进行了优化，提供 200,000 Token 的上下文窗口，并可输出最多 100,000 个 Token，性能达到与 o3、o1 相当的水平。

在工具层面，o4-mini 支持 Python 执行、网页浏览和图像输入，并可与 OpenAI 的标准接口（包括 Chat Completions 和 Responses）连接。支持流式输出、函数调用和结构化输出，但暂时不支持微调和嵌入（Embeddings）。

o4-mini 兼顾了“量”和“质”：面对普通用户的每日调用上限为 150 次，而 o3 的上限为每周 50 次；在数学、编程及高视觉负荷任务上，它以更快的速度和更低的成本，达到接近 o3 的表现。

虽然 o3 依然是 OpenAI 最强的推理模型，但 o4-mini 可以在不到十分之一的成本中获取 o3 的大部分性能。

o4-mini 的优势

・小巧但功能强大

需要分析大量数据或者汇总杂乱无章的研究表格？o4-mini 轻松应对——提炼洞见、编写结构化查询语言（SQL）、检索数据并将结果呈现为交互式图表。

o3 可能需要十几步推理并付出不菲的 token 成本，而 o4-mini 却能直接提供简洁合理的答案。

・功能全面，计算成本更低

o4-mini 提供了与 o3 同样层次的完整工具箱，包括 Python、网页浏览、图像分析和生成等。

在生成分析报告时，它可以一次性完成：提取 CSV，使用 Python 清洗和作图，上网查询行业宏观数据进行对比，最后输出 Markdown 报告；整个过程无需承受 o3 的计算开销。

o4-mini 与 o4-mini-high

打开 ChatGPT 应用，你会发现有 o4-mini 和 o4-mini-high 两个选择。

顾名思义，o4-mini-high 是通过投入更多的推理算力来以获得更好的性能。

这意味着，相比于 o4-mini，o4-mini-high：

• 会在内部花费更多时间处理每个提示词；

• 通常能生成更高质量的输出，尤其在多步任务方面；

• 但响应速度较慢，并可能消耗更多的 Token。

如果你更关注速度，o4-mini 或许更适合。如果任务需要复杂推理（尤其是涉及代码或视觉输入）、更多上下文信息，或对精度要求很高，那么 o4-mini-high 更可能给出更好的结果。

实测表现

接下来，将对 o4-mini 的性能进行数学和编码场景的测试。

・数学

首先，给它一道看似简单但常常难倒语言模型的计算题。

目的并非测试它的基础算术能力，而是观察它如何应对解题：逐步推导，还是使用类似计算器的工具。

第一次回答错误。于是，直接提醒它使用计算器。

第二次虽然算对了，但仍有两个问题：

• 它的答案标示为“约等于”，但这道减法题根本无需估算。

• 从推理过程来看，它并没有真正调用计算器，尽管输出中写着“计算器显示”，与实际计算方式不符。更甚者，它还网络搜索，而这道基础题完全不需要。

随后又给了它一道更具挑战性的数学题，这一次表现显著改善。

模型反应迅速，利用一小段 Python 脚本便解出答案，并能在思维链中直接展示代码。将代码作为推理过程的一部分公开，确实非常实用。

・生成 p5.js 游戏

在这个测试中，选择了算力更高的 o4-mini-high。

提示词：制作一款引人入胜的无尽跑酷游戏，关键操作说明显示在屏幕上。p5.js 场景，但不需要 HTML。我喜欢像素风的恐龙和有趣的背景。

第一次生成的结果：

有些地方我想调整，于是再次进行提示：

• 画一只更像样的恐龙——那东西一点也不像恐龙。

• 让玩家按下任意键再开始游戏——不要一启动就自动开始；同时确保所有操作说明仍在屏幕上。

• 游戏结束后，让玩家可以重新尝试。

第二次生成的结果：

结果比之前好多了，但这只“恐龙”看起来依然像一台老式电影摄像机。

GPT-4.1——为精准而生，不为“氛围”服务

目前，GPT-4.1 仅通过 API 向开发者开放，目标是毫不妥协地执行细致入微的指令。

它没有 4.5 等前辈那种“梦幻”气质，而是更加结构化、可靠且一致。可以视其为 OpenAI 面向特定开发任务所打造的高负荷“劳模”，而非发散创意的灵感来源。

GPT-4.1 的优势

・遵循复杂指令

GPT-4.1 处理任务的能力就像经验丰富的领航员。

例如，如果你正在开发一个食谱生成器，并将所有要求写入一个提示词——以 Markdown 输出、避免特定话题、按照指定顺序列出烹饪步骤并附上钠含量等关键指标。

旧版模型可能会漏掉步骤或打乱顺序，而 4.1 会严格遵循你的路线，无论这个过程多么复杂。

这带来了两个显著的好处：编写提示词所用的时间更短，处理模型输出的时间也相应缩短。

・惊人的记忆能力

上下文窗口从 128,000 个 token 扩展到 1,000,000 个 token，超过 GPT-4o 八倍。

你仅需一次性设定语气或结构，它便能在多轮对话中持续遵循，无需每次重新设置。

这使得许多实际场景变得可行：可以一次性处理完整日志、为代码仓库建立索引、顺畅进行多文档法律流程，或分析长篇内容，整个过程中无需分块或摘要。

・结构化输出

GPT-4.1 像是那位在自驾游中只需有清晰路线的朋友。只要提供明确的行程，它就能快速而精准地执行。

然而，如果给它比较“氛围”的提示词，例如“能否让这个食谱 App 像步入一家温馨的酒吧？”，它可能会想要直接回家。

GPT‑4.1、GPT-4.1 mini 和 GPT-4.1 nano

如果你在编码、指令遵循以及长上下文任务中追求最佳表现，选择 GPT-4.1。它能适应复杂的编码工作流，并能在单条提示词中处理大量文档。

GPT-4.1 mini 是中端选项，延迟和成本更低，但几乎具备与完整版相同的能力。在多项基准测试（包括指令遵循和图像推理）中，能与 GPT-4o 不分伯仲，甚至领先。

GPT-4.1 nano 是系列中体积最小、速度最快、成本最低的模型（0.1 美元 / 百万 Token），适用于自动补全、分类以及从长文档中提取信息等任务。虽然它在推理和规划能力上不及更大的模型，但对某些任务来说，这已足够。

与完整版的 GPT-4.1 一样，mini 和 nano 都支持 100 万 Token 的上下文窗口。

对比竞品的表现

• GPT-4.1 vs Claude 3.7 Sonnet

根据测试，在代码的优雅与结构性方面，Claude 3.7 Sonnet 仍是首选，尤其在整体风格一致性与用户界面表现上。

然而，只要提示词清晰且具体，4.1 在执行指令的能力上已经大幅缩小了差距。

• o4-mini vs GPT-3.5

目前的观察显示，o4-mini 正逐渐成为开发者在有限预算下寻求速度、可靠性与视觉处理能力的“平价优选”。而 2022 年 11 月发布的 GPT-3.5，如今似乎显得有些“过时”。

参考资料：

• https://every.to/context-window/vibe-check-openai-s-o3-gpt-4-1-and-o4-mini

• https://www.datacamp.com/blog/o4-mini

• https://www.datacamp.com/blog/o3-openai

• https://www.datacamp.com/blog/gpt-4-1

本文来自微信公众号：新智元（ID：AI_era）