ChatGPT o3、o4 mini体验
更新(2025.4.29)
个人感觉ChatGPT 4o模型相较于去年已经改进很多了，前一阵子看到L站有一个帖子—4o舔狗风是否是GPT降智不由得感慨，对于小白用户，4o舔狗风确实友好。
目前一些日常问题（不涉及编程、写作方面），我开始倾向于ChatGPT 4o模型了，就拿今天发布的Qwen3来与之对比，Qwen3利好开源值得肯定，但是在日常话题方面，个人觉得还是稍逊于闭源模型的。【虽然下方的一个例子不足以说明差距】
没人会拒绝舔狗【前提是舔狗能入你眼】。我肯定不会拒绝豆包的甜妹音、ChatGPT 4o的舔狗风。😁
“OpenAI虽然Close但始终位于整个行业之首”，这句话说得太有道理了！没降智的OpenAI，各方面使用体验无敌。 via: https://linux.do/t/topic/602275/
更新(2025.4.26)
今天官网的ChatGPT 4o又更新了。via: https://x.com/sama/status/1915902652703248679
使用了几次官网的4o模型后发现，目前询问一些技术性的问题，ChatGPT 4o搜索互联网优先考虑搜索的是英文互联网，这是好事。之前中文提问搜索的是中文互联网。
最近愈发觉得Perplexity这类产品未来会寄，自从o3、o4-mini系列模型出世后，我使用Perplexity频率骤减。
更新(2025.4.24)
ChatGPT Plus用户的o3、o4-mini-high额度翻倍。o3: 100条/周；o4-mini-high: 100条/天。
更新(2025.4.20)
也不能完全拥抱Claude，目前ChatGPT最新的这种o3、o4-mini系列模型全自动Agent LLM调用各种工具帮你Debug确实很舒服，写代码注释方面可能不如原来的o3-mini-high模型，但其余方面还是遥遥领先的，之前联网Debug我可能还会借助Perplexity等AI搜索工具进行辅助，有了最新的o3、o4-mini-high，直接全自动Debug，中文提问编程相关问题，英文检索各种网页，直至完成任务。
比如我今天上午学习时遇到了一个Bug，提问了各大LLM，只有ChatGPT这种全自动Agent成功帮我解决了问题，其余的LLM我都不想追问下去，一开始给出的答复就是有问题的，再加上解决该Bug需要联网检索最新的知识，比ChatGPT这种全自动Agent费时费力多了。
我只能说目前的LLM真得是太眼花缭乱了。有些时候都不知道到底该用啥模型，因为我个人其实有很强的Claude惯性，故昨天写了Claude的相关溢美之词，但近期的Gemini 2.5 Pro、ChatGPT o3、o4-mini系列模型更新也确实很顶，都是SOTA，犯选择困难症了。
更新(2025.4.19)
近期让o3猜图片位置很火，但除去猜图片外，其余给我的感觉还是低于预期的。比如写代码注释方面，我有些怀念o3-mini-high了。现阶段会用工具的o3亦或是o4-mini-high，思考时间不足，写的代码注释质量不如原本的o3-mini-high。
每当我学习新知识时，我依旧会第一时间考虑Claude，Gemini 2.5 Pro无法做到Claude提供信息既丰富又不过于冗长的交流体验，Claude有些时候的泛化能力还是极佳的（也就是所谓的灵性），针对一个提问，一针见血的回复让人感到惊喜又意外。虽然目前的LLM我都会对比使用，但总体而言，习惯了Claude的回复风格后，目前为止，能入我眼的LLM还没有出现，无论Gemini 2.5 Pro、o3、o4-mini-high如何屠榜，我的心永远属于Claude。
更新(2025.4.18)
- 上下文抗衰减能力
o3这强悍的上下文抗衰减能力，超越Gemini 2.5 Pro，还得是老大哥OpenAI，遥遥领先。能无限用o3的Pro用户估计o4-mini-high看都不会看一眼。再过几周o3-pro都出了。
via: Fiction.liveBench April 17 2025
- 日常使用选择
其实不是很复杂的问题，可以优先考虑o4-mini-high，毕竟Plus用户o3的额度每周有限。个人体验下来，agent模式的o系列模型用户体验极佳。
更新(2025.4.17)
补充一些看到的较好的测评内容。
更新简介
- 使用限制
ChatGPT Plus用户，o3限制: 50次/周；o4-mini限制: 150次/天；o4-mini-high: 50次/天；上下文窗口32K。
via:
https://openai.com/chatgpt/pricing/
不建议免费用户用ChatGPT，ChatGPT不付费，体验绝对糟糕，上下文窗口就只有8K，而且开放的也全是低一等的模型。
在OpenAI构建的规则内，Pro用户是上帝，Plus用户是平民，免费用户是乞丐。
也不建议上网环境代理特征明显的小伙伴使用ChatGPT，降智是真实存在的。建议远程Windows桌面/采用自建KasmWorkSpaces之类的方法【前提: 远端的VPS IP干净一些，不然依旧降智】来访问ChatGPT。
- 推理模型化身为agent，组合使用ChatGPT中的每一个工具(Web搜索、Python解释器、图像分析、文件解释、图片生成)，可进行视觉推理【多模态推理】
下图展示了识图任务中的部分片段，可充分感受ChatGPT o3模型恐怖的迭代能力。
该识图任务的流程如下，具体可参见该识图任务的网页截图:
1、1m21s推理时间
找出图片中的无人机。
2、44s推理时间
初步推测拍摄图片可能的位置【推测可能的位置列表中已经包含了位置的正确答案，但可惜押一注，押的最有可能的一个位置不对。】
3、2min59s推理时间，4min41s推理时间，11min14s推理时间，12min41s推理时间，13min56s推理时间
这几部分中，o3借助互联网工具猜测可能的位置，但可能达到了推理时间限制亦或是上下文限制，导致截断，仅仅输出to=的字样。
看不下去o3偏离正确答案，在错误方向上越走越远，我便透露出了些许提示，比如一开始的推测列表中有位置的正确答案。
4、6min51s推理时间，11min45s推理时间，13min51s推理时间
我看到o3在正确答案和错误答案中反复拉扯，再次陷入刚才的困境，仅仅输出to=字样。继续透露一些提示信息给o3，告诉其不要执着于一个地方的高校，不要局限于图书馆这种建筑。
5、7min14s推理时间，9min31s推理时间，11min58s推理时间
o3再次陷入中断。我继续提示o3，让其综合上述分析，给出最有可能的地点。
6、10s推理时间
o3成功猜出了图片所出的位置，但小位置不正确。
7、11min56s推理时间
o3借助搜索成功猜出了小位置，但给出的回复表述中存在错误信息。
8、最后我让o3将原图转换为Ghibli风格的图片
回过头来看，不禁感慨这简直就是赖皮打法，但也确实是Agent该有的样子，借助外部工具持续迭代，直至完成任务。
这是我第一次体验到LLM能推理10分钟以上，ChatGPT是真tm卖力。
- 日常使用中选择o3还是o4-mini-high?
从OpenAI给出的基准测试来看，除了这三项基准测试（前两项考验的是数学竞赛，第三项是算法编程竞赛）方面，o4-mini-high领先于o3外，其余的均是o3获胜。
OpenAI的员工推荐对于涉及视觉的任务，建议使用o4-mini-high，而不是o3。via: https://simonwillison.net/2025/Apr/16/james-betker/
基准测试虽然都或多或少存在偏见，但大致提供了LLM通用能力强弱。OpenAI的新模型直接在livebench.ai上霸榜了，推理模型果然是刷榜的第一好手。
Plus用户，o3的额度为50次/周，尽量用吧。用光了o3，再去整o4-mini-high。
- 新模型搜索中文提问不再仅局限于中文互联网
中文提问后，OpenAI的新模型o3、o4-mini系列直接用提问的英文版本和中文版本来进行检索互联网。而GPT-4o依旧遵循中文提问，中文检索互联网。
强化学习训练模型使用工具确实牛逼，不仅教会它们如何使用工具，还教会它们推理何时使用工具。
- Codex
类似于Claude Code的玩意，我尝试申请了开源资金项目，如果能成功给我发一点API额度，我就试试，暂时不考虑尝试。海外网友认为OpenAI开窍了，开始学习Anthropic面向实际需求开发模型。
- 其余发现
1、OpenAI的新模型是token efficient(令牌效率高，，用尽可能少的token来完成同样或更优的信息表达和推理)。
这一点我觉得是未来推理模型的大势所趋。感觉目前OpenAI新出的模型已经有了推理模型和经典LLM结合的意味了。
2、Gemini 2.5 Pro依旧是性价比之王。
via: https://x.com/MahawarYas27492/status/1912577363554214214
对比aider排行榜前列的支出就可以看出Gemini 2.5 Pro确实性价比十足，DeepSeek V3的3月新版也很具有性价比，但能力方面逊于Gemini 2.5 Pro。
via: https://x.com/bongrandp/status/1912568582426198301
via: https://x.com/wintermoat/status/1912560505161400781
总结
OpenAI新模型的主要亮点在于工具调用、多模态推理。
这次OpenAI博文中的基准测试依旧只罗列出了自家的模型，这是一种自大的表现呢，即OpenAI认为自己的模型是市面上最强的存在？还是不敢与其他先进模型进行比较骈进，生怕自己海量的用户知晓其余先进LLM的存在？具体属于哪种情况只有OpenAI自己清楚。
但这次发布相较于之前的发布确实进步了不少，GPT-4.5、GPT-4.1这种发布在模型迭代迅速的当下压根就掀不起啥风浪，只有多搞类似GPT-4o原生文生图、o3、o4-mini系列模型的发布才是正途。
可以说OpenAI Is Back! 虽然我也希望能看到开源LLM更加趋近于闭源LLM，但目前来看，闭源LLM再次与开源LLM拉开了差距。
期待未来不久的Qwen3、DeepSeek R2能有更好的表现。
One more thing(还有一件事)，OpenAI发布的依旧是推理模型，喜欢非推理模型的小伙伴依旧不要低估Claude 3.7 Sonnet Without Thinking!!!!!
其余
附一些其余博主的测评文章
参考资料
文档信息
- 版权声明：自由转载-非商用-非衍生-保持署名（创意共享4.0许可证）