以下文章来源于海外独角兽 ，作者拾象 海外独角兽 . 研究科技大航海时代的伟大公司。 前段时间， OpenAI 陆续发布了 o 系列最新的两个模型 o3 和 o4-mini。其中， o3 模型 在融合了 tool use 能力后，模型表现已经覆盖了 Agent 产品常用的 use case。 Agent 产品开始分化出两类路线：一类是像 o3 那样把 tool use 通过 CoT 内化到模型中，模型可以用写代码调用的方式执行任务；另一类是类似 Manus， 把工作流程外化成人类 OS 中的 computer use。 同时，OpenAI 也已经把 Agent 产品作为了未来产品商业化收入占比的大头。 o3 这类基础大模型的 tool use 内化能力的提升，是否意味着专用 Agent 产品的技术护城河正在消失？ 本篇文章针对于 OpenAI 发布的 o3、o4-mini 模型，开源的 Codex CLI，以及在 API 中使用的 GPT 4.1 进行了解读，尤其是 o3 agentic 和多模态 CoT 新能 力。 Founder Park 正在搭建「 AI 产品市集」社群，邀请从业者、开发人员和创业者，扫 ...

作者：cage, haozhen 我们在 2025 年 Q1 的大模型季报 中提到，在 AGI 路线图上，只有智能提升是唯一主线，因此我们持 续关注头部 AI Lab 的模型发布。上周 OpenAI 密集发布了 o 系列最新的两个模型 o3 和 o4-mini，开 源了 Codex CLI，还推出了在 API 中使用的 GPT 4.1。本文将着重对这些新发布进行解读，尤其是 o3 agentic 和多模态 CoT 新能力。 我们认为 OpenAI 在数次平淡的更新后，终于拿出了有惊艳表现的 o3。融合了 tool use 能力后，模型 表现已经覆盖了 agent 产品常用的 use case。Agent 产品开始分化出两类路线：一类是像 o3 那样把 和 o3 的发布模式一样， OpenAI 的 reasoning model 都是先训练出一个 mini reasoning 版本，再 scale 到 一个 long inference time、full tool use 能力的模型上。 而之前 GPT 模型总是先训练出最大的模型，再蒸 馏到小模型上。这个策略值得探讨其原因，我们的猜测是 RL 算法比较脆弱， ...

行业竞争格局 - 头部AI实验室在过去一个月密集发布三个SOTA推理模型：OpenAI的o3-mini和deep research、xAI的Grok 3、Anthropic的Claude 3.7 Sonnet，标志着新范式第一轮竞赛暂告段落 [1] - 当前尚无全面领先的SOTA模型：OpenAI和xAI在基础模型和竞赛解题能力占优，Anthropic更擅长真实世界工程问题，Claude 3.7 Sonnet的混合推理模型可能成为行业新标准 [1][3] - DeepSeek R1在有限资源下实现开源创新，虽表现暂时落后但技术扩散价值显著 [7][8] 模型能力对比 - **数学推理**：o3-mini-high在AIME 2024测试中Pass@1达87.3，显著优于Claude 3.7 Sonnet的61.3/80.0和Grok 3的83.9/93.3 [9] - **工程代码**：Claude 3.7 Sonnet在SWE-bench验证中准确率领先20%+，可靠代码输出长度从3.5版的200行提升至1000-1500行 [19][20] - **多模态**：Gemini 2.0 Flash在多模态理解能力上绝对领先，但高阶融合能力尚未涌现 [6] 技术范式演进 - 基础模型预训练仍具关键价值：高质量基础模型是强化学习的前提，且当前评估方法已落后于模型智能发展 [12] - 混合推理成为趋势：Claude 3.7 Sonnet通过"extended thinking"设置实现快慢思考切换，未来模型需具备动态计算能力 [13][14][16] - RL Scaling效果优于垂直微调：OpenAI竞争性编程报告显示通用RL scaling比领域RL finetuning效果更好 [34][35] 产品应用创新 - Claude Code定位为AI Coding基建：通过命令行界面帮助AI扎根传统代码库，结合action scaling能力实现类Devin的agentic工作流 [22][23] - OpenAI Deep Research确立PMF形态：在网页理解深度、信息准确性、意图识别等方面领先，支持可配置的研究广度/深度控制 [29][31][32] - Agent能力升级关键：action scaling实现连续tool use，verifiable environment构建（如OS browser/Coding）及online learning机制 [25][27][28] 性能基准数据 | 测试维度 | Claude 3.7 Sonnet | Grok 3 Beta | o3-mini-high | |----------------|-------------------|-------------|--------------| | GPQA Diamond | 78.2/84.8 | 80.2/84.6 | 79.7 | | Codeforces评分 | - | - | 2130 | | SWE-bench | 49.3 | - | 49.2 | [9]