o3
Il raisonne longuement avant de répondre : du calcul à l’inférence contre plus de justesse
Le texte intégral est présenté en anglais ; le titre et le résumé sont localisés.
CE QUE C'EST
o3 is a reasoning model OpenAI released in April 2025, part of the o series. Unlike models that answer directly, it performs an internal chain of reasoning before producing its output, then derives the answer from that reasoning. The series is trained with reinforcement learning so the model learns to spend more reasoning steps when they buy a more reliable answer. o3 accepts text and image input and serves as the main version for mathematics, coding and scientific reasoning tasks.
Pourquoi il compte
It turned test-time compute into a product: by reasoning at length before answering, o3 spends more compute at inference to buy steadier correctness, and made this the default shape of mainstream reasoning models.
Caractéristiques clés
- Type
- Reasoning model
- Context window
- 200K tokens
- Modality
- Text, image in; text out
- Released
- 2025-04
Capacités
Raisonnement et chaîne de pensée
Décomposer un problème difficile en étapes intermédiaires
Conversation et suivi d’instructions
Comprendre l’intention au fil des tours et agir
Génération de code
Écrire du code exécutable à partir d’une description
Concepts liés
Apprentissage par renforcement à partir de retours humains
Quand la « bonne réponse » ne s’écrit pas en formule, laissons les humains jouer le rôle de la récompense
Ingénierie des prompts et alignement
Rendre un modèle utile, honnête et inoffensif est plus difficile que de simplement l’agrandir
Produits comparables
DeepSeek-R1
2025Un modèle de raisonnement entraîné par RL sur des chaînes de pensée, à poids ouverts sous licence MIT
Gemini
2023Un modèle général nativement multimodal, conçu pour de très longs contextes
Grok
2023Un modèle de conversation lié aux données d’une plateforme sociale
Claude
2023Un modèle de conversation général réputé pour son long contexte et son alignement sécurisé
MiniMax-M
2025Un modèle de raisonnement à poids ouverts, à attention hybride et contexte d’un million de tokens