OpenAI o3 评测详情

OpenAI o3 当前已收录的代表性评测结果包括 Aider-Polyglot（5 / 59，得分 81.30）、MMMU（9 / 74，得分 82.90）、MATH-500（6 / 46，得分 98.10）。

评测结果

OpenAI o3

评测结果

综合知识考试

共 4 项评测

评测名称 / 模式

得分

排名/总数

常规模式

85.60

25 / 175

思考水平·中

19.20

161 / 235

开启思考

20.32

153 / 235

思考水平·高

20.32

153 / 235

抽象归纳与泛化

共 8 项评测

评测名称 / 模式

得分

排名/总数

思考水平·低

41.50

151 / 193

思考水平·中

53.83

141 / 193

开启思考

60.80

126 / 193

思考水平·高

60.83

125 / 193

思考水平·低

2

158 / 181

思考水平·中

2.98

153 / 181

开启思考

6.50

133 / 181

思考水平·高

6.53

132 / 181

科学知识与推理

共 4 项评测

评测名称 / 模式

得分

排名/总数

思考水平·低

79.80

133 / 253

思考水平·中

80.81

126 / 253

开启思考

83.30

106 / 253

开启思考

1.10

151 / 204

事实可靠性与幻觉

共 1 项评测

评测名称 / 模式

得分

排名/总数

常规模式

49.40

14 / 46

仓库修复与多文件工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

SWE-bench Verified

开启思考

69.10

67 / 116

数学

共 12 项评测

评测名称 / 模式

得分

排名/总数

常规模式

98.10

6 / 46

常规模式

91.60

12 / 61

开启思考

88.90

46 / 110

FrontierMath v2

思考水平·低

19.30

51 / 58

FrontierMath v2

思考水平·中

29.82

44 / 58

FrontierMath v2

思考水平·高

33.33

42 / 58

开启思考

20.50

11 / 16

IMO-ProofBench Advanced

开启思考

20.50

10 / 24

思考水平·低

10.30

25 / 60

思考水平·中

10

28 / 60

思考水平·高

10.30

25 / 60

FrontierMath - Tier 4

思考水平·高

2.10

56 / 80

算法与竞赛编程

共 2 项评测

评测名称 / 模式

得分

排名/总数

常规模式工具

1343

3 / 8

常规模式

75.80

42 / 125

写作与创意表达

共 1 项评测

评测名称 / 模式

得分

排名/总数

Creative Writing

常规模式

1675.60

34 / 110

自主开发与终端任务

共 4 项评测

评测名称 / 模式

得分

排名/总数

常规模式

76.90

9 / 59

思考水平·高

81.30

5 / 59

Terminal Bench Hard

开启思考工具

37.10

65 / 244

开启思考

30.20

21 / 35

图像感知与视觉推理

共 8 项评测

评测名称 / 模式

得分

排名/总数

常规模式

82.90

9 / 74

开启思考

82.90

9 / 74

unknown

82.90

9 / 74

开启思考

70.10

130 / 229

unknown

76.40

73 / 229

思考水平·中

74

11 / 20

思考水平·高

60

19 / 20

思考水平·中

52

10 / 24

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高

53.10

50 / 96

维护、优化与工程管理

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

8.80

15 / 21

机器学习工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

52.42

36 / 52

跨长文理解与整合

共 1 项评测

评测名称 / 模式

得分

排名/总数

Fiction.liveBench

思考水平·中

88.90

6 / 16

能力边界度量

共 1 项评测

评测名称 / 模式

得分

排名/总数

METR Time Horizons v1.1

思考水平·中工具

91.27

14 / 22

临床工作与医疗决策

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

76.65

49 / 66

思考水平·高工具

47.29

25 / 64

客服与业务流程

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

41.77

39 / 64

跨能力聚合指数

共 1 项评测

评测名称 / 模式

得分

排名/总数

unknown

146.88

60 / 167

与其他模型对比