модель · OpenAI · вышла 16 апреля 2025
o3
Устаревшая модель рассуждений OpenAI для математики, программирования и разбора изображений, её сменила GPT-5
О модели
o3 — модель рассуждений из линейки o (o-series) от OpenAI. Прежде чем ответить, она думает: строит скрытую цепочку рассуждений. На момент выхода компания называла её своей самой сильной моделью рассуждений. OpenAI выпустила её вместе с младшей и более дешёвой o4-mini. В документации лаборатория пишет, что o3 задаёт новую планку в математике, естественных науках, программировании и задачах с изображениями.
Главное отличие от o1 — работа с инструментами прямо во время рассуждения. Прежние модели линейки думали только «про себя». o3 может по ходу решения искать в интернете, запускать код на Python и разбирать файлы, а потом проверять полученное и уточнять ответ. Картинки она тоже использует внутри рассуждения: может, например, обрезать или увеличить фрагмент снимка, схемы или графика. По оценкам внешних экспертов, которые приводит OpenAI, на сложных практических задачах o3 допускает на 20% меньше серьёзных ошибок, чем o1. Особенно заметна разница в программировании, бизнес-консалтинге и генерации идей. Компания также заявляла о лучших на тот момент результатах в бенчмарках Codeforces, SWE-bench и MMMU.
o3 берут для задач, где нужно несколько шагов анализа: трудной математики, программирования, научных вопросов, технических текстов, разбора диаграмм и документов. Через API она поддерживает вызов функций, структурированные ответы и поиск по файлам.
Модель заметно дороже медианы каталога и отвечает медленнее обычных чат-моделей: время уходит на рассуждения. В системной карте OpenAI признала, что в тесте PersonQA на знание фактов о людях o3 выдумывала ответ в 33% случаев. Это примерно вдвое чаще, чем o1. Лаборатория объясняет это тем, что модель делает больше утверждений — и верных, и ложных. Сейчас OpenAI считает o3 устаревшей и советует переходить на GPT-5 и более новые модели.
источники:Документация o3 для разработчиков ↗Анонс o3 и o4-mini ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг63место из 268индекс 147вероятный разброс 145–148
- DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗74,7%высокое
- LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗46,7%высокое
- Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗21,8%высокое
- FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗33,3%высокое
- CL-benchУмение выучить новое прямо из длинного текста: вымышленные законы, языки программирования, правила — и решить по ним задачиЗадача засчитывается, только если ответ проходит все проверочные критерии экспертов, поэтому даже лидеры решают около четверти.Подробнее на английском ↗17,8%высокое
- Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗34,8%среднее
- GDPvalРеальные рабочие задачи из 44 профессий — юридические записки, таблицы, слайды, планы ухода; результат оценивают экспертыЧисло — доля задач, где эксперты сочли работу модели не хуже работы профессионала; 50% означает паритет с человеком.Подробнее на английском ↗30,8%среднее
- SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗49,4%высокое
- FrontierMath-Tier-4-2025-07-01-PrivateСамый сложный уровень FrontierMath: исследовательские задачи по математике, на которые у математика уходят часы или дниРезультат посчитан на закрытом наборе задач версии от июля 2025 года; в 2026 году вышла исправленная версия, и числа двух версий не сравнимы.Подробнее на английском ↗3,5%высокое
- DeepResearch Bench100 исследовательских заданий уровня аспирантуры из 22 областей: агент ищет в интернете и пишет аналитический отчёт со ссылкамиБалл — не доля верных ответов: модель-судья оценивает качество отчёта в сравнении с эталонным, отдельно проверяются ссылки.Подробнее на английском ↗45,2%среднее
- GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗8,8%высокое
- CadEvalПо текстовому описанию написать программу для CAD (в стиле OpenSCAD), которая строит 3D-деталь нужной формы и размеровПодробнее на английском ↗74,0%среднее
- ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗6,5%высокое
- METR Time HorizonsНасколько долгие для человека задачи по программированию, машинному обучению и кибербезопасности агент решает самостоятельноРезультат — не процент, а время: длительность задачи (по времени работы эксперта), которую модель решает примерно в половине случаев.Подробнее на английском ↗65,4%
- GeoBenchПо фотографии улицы, как в игре GeoGuessr, модель должна угадать страну и точные координаты местаРезультат — очки, а не проценты: до 5000 за раунд, и чем дальше догадка от настоящего места, тем меньше очков.Подробнее на английском ↗74,0%высокое
- Fiction.LiveBenchВопросы по длинным художественным текстам: понять мотивы героев, порядок событий и сделать выводы из всего сюжетаРезультат зависит от длины текста: с ростом объёма точность обычно падает, поэтому сравнивать стоит при одинаковой длине.Подробнее на английском ↗88,9%среднее
- Lech Mazur WritingКороткие рассказы, в которые надо органично вплести десять заданных элементов: персонажа, предмет, место, мотив, тон и другиеБалл относительный: модели-судьи сравнивают рассказы попарно, ноль — примерно середина сравниваемых моделей, а не процент.Подробнее на английском ↗83,9%среднее
- VPCTПо картинке с горками и препятствиями модель должна предсказать, в какое из трёх вёдер упадёт шарикВёдер три, поэтому наугад можно набрать около 33%; люди в проверке решили все задачи.Подробнее на английском ↗28,0%среднее
- HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗16,3%высокое
- WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗52,4%высокое
- Aider polyglot225 трудных задач по программированию с Exercism на C++, Go, Java, JavaScript, Python и Rust; решение проверяют тестыДаются две попытки: после неудачи модель видит результаты тестов и исправляет код; засчитывается итог второй попытки.Подробнее на английском ↗81,3%среднее
- OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗84,4%среднее
- SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗43,7%высокое
- SWE-Bench verifiedНастоящие задачи из GitHub по проектам на Python: модель правит код, а тесты проверяют, решена ли проблемаПо оценке Epoch, в 5–10% задач есть ошибки, поэтому 100% недостижимы; Epoch считает результат по 484 задачам из 500.Подробнее на английском ↗62,3%среднее
- OSWorldАгент выполняет задачи на настоящем компьютере — в Ubuntu, Windows и macOS, в обычных программах и браузере, иногда в нескольких сразуЛюди в этом тесте справляются примерно с 72% задач, так что результат около этого уровня уже соответствует человеческому.Подробнее на английском ↗23,0%среднее
- GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗75,8%среднее
- MATH level 5Самые трудные задачи (5-й уровень) из набора MATH — задачи американских школьных олимпиад AMC 10, AMC 12 и AIMEТест близок к насыщению: у сильных моделей результаты почти одинаковые и высокие, разница в несколько пунктов мало что значит.Подробнее на английском ↗97,8%высокое
- ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗60,8%высокое
Новости о модели
все упоминания · 6OpenAI нашла в o3 сигналы, связанные с мыслями модели о проверке
Когда модель прикидывает, как её оценят, в ней работает не один механизм, а несколько. Внутренние сигналы этих механизмов крепнут при обучении и могут влиять на ответ, даже если модель в рассуждениях о проверке не пишет.
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).