OpenAI از مدل های هوش مصنوعی استدلالی o3 و o4 مینی رونمایی کرد - تفطن

مدل o3 به عنوان پیشرفته ترین دستاورد OpenAI در زمینه استدلال معرفی شده و در ارزیابی هایی که توانایی هایی نظیر ریاضی، کدنویسی، علوم، استدلال و درک بصری را می سنجند، عملکردی برتر نسبت به مدل های پیشین این شرکت نشان داده است. در مقابل، مدل o4 mini با ایجاد تعادل میان سرعت، هزینه و کارایی، گزینه ای مناسب برای توسعه دهندگانی به شمار می رود که در پی انتخاب مدلی بهینه برای برنامه های خود هستند.

ویژگی های مدل های o3 و o4 مینی

این دو مدل برخلاف نسخه های پیشین، توانایی بهره گیری از ابزارهای موجود در چت جی پی تی مانند جست وجوی وب، اجرای کدهای Python، تحلیل تصاویر و فراوری تصویر را دارند. از امروز، این مدل ها همراه با نسخه ای ویژه از o4 mini به نام o4-mini-high، که زمان بیشتری را به تدوین پاسخ های دقیق تر اختصاص می دهد، برای کاربران طرح های Pro، Plus و Team در دسترس قرار گرفته اند.

این مدل ها بخشی از کوشش OpenAI برای پیشتازی در رقابت فشرده جهانی هوش مصنوعی در برابر شرکت هایی نظیر گوگل، متا، xAI، Anthropic و DeepSeek به شمار می روند. اگرچه OpenAI با عرضه مدل o1 پیشگام معرفی مدل های استدلالی بود، رقبا به سرعت مدل هایی با عملکرد مشابه یا حتی برتر ارائه کردند. در حال حاضر، مدل های استدلالی به علت کوشش آزمایشگاه های هوش مصنوعی برای بهبود عملکرد سیستم ها، در این حوزه پیشرو هستند. سم آلتمن، مدیرعامل OpenAI، در ماه فوریه خاطرنشان کرد که شرکت منابع بیشتری را به توسعه فناوری پیشرفته ای اختصاص خواهد داد که پایه مدل o3 را تشکیل می دهد. با این حال، فشار رقابت ظاهراً این شرکت را به تغییر برنامه های خود واداشته است.

OpenAI اعلام نموده که مدل o3 در آزمون SWE-bench، که توانایی کدنویسی را بدون استفاده از چارچوب های سفارشی ارزیابی می نماید، با کسب امتیاز 69.1% عملکردی در سطح جهانی ارائه داده است. مدل o4 mini نیز با امتیاز 68.1% عملکردی نزدیک به o3 نشان داده است. در مقایسه، مدل پیشین o3 mini امتیاز 49.3% و مدل Claude 3.5 Sonnet امتیاز 62.3% را کسب نموده اند.

قابلیت های بصری و پردازشی

OpenAI مدعی است که o3 و o4 مینی اولین مدل هایی هستند که توانایی تفکر با تصاویر را دارند. کاربران می توانند تصاویری مانند طرح های روی تخته وایت برد یا دیاگرام های موجود در فایل های PDF را در ChatGPT بارگذاری نمایند. این مدل ها تصاویر را در فرآیند زنجیره تفکر خود تحلیل نموده و پاسخ های مناسب ارائه می دهند. این مدل ها حتی قادر به درک تصاویر تار یا کم کیفیت بوده و می توانند وظایفی مانند بزرگ نمایی یا چرخش تصاویر را انجام دهند.

علاوه بر این، o3 و o4 mini می توانند کدهای Python را مستقیماً در مرورگر به وسیله قابلیت Canvas در ChatGPT اجرا نمایند و در صورت احتیاج به اطلاعات جاری، در وب جست وجو نمایند.

دسترسی برای توسعه دهندگان

این سه مدل (o3، o4 mini و o4-mini-high) به وسیله APIهای Chat Completions و Responses برای توسعه دهندگان در دسترس هستند. این امکان به مهندسان اجازه می دهد تا برنامه هایی با نرخ های مصرفی مبتنی بر این مدل ها طراحی نمایند.

هزینه استفاده از مدل o3 شامل 10 دلار به ازای هر میلیون توکن ورودی (معادل حدود 750000 کلمه، طولانی تر از مجموعه کتاب های ارباب حلقه ها) و 40 دلار به ازای هر میلیون توکن خروجی است. برای مدل o4 mini، هزینه ای مشابه مدل o3 mini در نظر گرفته شده: 1.10 دلار برای هر میلیون توکن ورودی و 4.40 دلار برای هر میلیون توکن خروجی.

OpenAI اعلام نموده که در هفته های آینده، نسخه ای با نام o3 Pro عرضه خواهد نمود که از منابع محاسباتی بیشتری برای ارائه پاسخ های دقیق تر بهره می گیرد. این نسخه به صورت انحصاری برای کاربران طرح Pro در ChatGPT در دسترس خواهد بود.

سم آلتمن اشاره نموده که o3 و o4 mini احتمالاً آخرین مدل های استدلالی مستقل OpenAI پیش از معرفی GPT-5 خواهند بود. این شرکت میخواهد در GPT-5 مدل های سنتی مانند GPT-4.1 را با مدل های استدلالی ادغام کند.

منبع: The Verge