OpenAI
o3 评测成绩
来自 6 个来源、11 项基准的 21 条成绩。
其他名称: o3-2025-04-16_medium · o3 (medium) · o3-2025-04-16_low · o3 (low) · o3-2025-04-16_high · o3 (high) · o3 (high) (April 2025) · o3 (medium) (April 2025) · o3-20250416 · o3 (2025-04-16)
全部评测成绩
| 基准 | 分数 | 名次 | 设定 | 来源类型 | 日期 |
|---|---|---|---|---|---|
| LMArena Text | 1432 | 110 | Overall, style control on; 58913 votes; 95% CI 1428–1435“o3-2025-04-16” | 官方榜单 | 2026年10月8日 |
| LMArena Vision | 1216 | 75 | Overall, style control on; 45593 votes; 95% CI 1209–1222“o3-2025-04-16” | 官方榜单 | 2026年10月2日 |
| LiveCodeBench | 72.0% | 3 | Code generation, 182 problems dated 2025-01-01…2025-04-07“O3 (High)” | 官方榜单 | 2025年4月7日 |
| GPQA Diamond | 81.8% | 108 | Epoch AI run, accuracy; effort: high | 独立评测 | 2025年4月16日 |
| GPQA Diamond | 80.8% | 112 | Epoch AI run, accuracy; effort: medium | 独立评测 | 2026年8月7日 |
| GPQA Diamond | 79.8% | 116 | Epoch AI run, accuracy; effort: low | 独立评测 | 2026年7月15日 |
| SWE-bench Verified | 62.3% | 28 | Epoch AI run (Epoch scaffold); effort: medium | 独立评测 | 2026年2月12日 |
| SWE-bench Verified | 58.4% | 54 | agent: mini-SWE-agent“o3-20250416” | 官方榜单 | 2025年7月26日 |
| AIME (OTIS Mock AIME 2024–2025) | 84.4% | 95 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: medium | 独立评测 | 2026年8月7日 |
| AIME (OTIS Mock AIME 2024–2025) | 83.9% | 102 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: high | 独立评测 | 2025年4月16日 |
| AIME (OTIS Mock AIME 2024–2025) | 60.0% | 148 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: low | 独立评测 | 2026年7月15日 |
| MATH Level 5 | 97.8% | 5 | Epoch AI run, accuracy; effort: high | 独立评测 | 2025年4月16日 |
| Humanity's Last Exam | 20.3% | 21 | Compiled by Epoch AI; effort: high | 第三方汇编 via Epoch AI | 2025年4月16日 |
| Humanity's Last Exam | 19.2% | 23 | Compiled by Epoch AI; effort: medium | 第三方汇编 via Epoch AI | 2025年4月16日 |
| OSWorld (Verified) | 23.0% | 15 | OSWorld; agent: o3 (100 steps); effort: medium | 官方榜单 via Epoch AI | 2025年7月27日 |
| OSWorld (Verified) | 17.2% | 16 | OSWorld; agent: o3 (50 steps); effort: medium | 官方榜单 via Epoch AI | 2025年7月27日 |
| OSWorld (Verified) | 9.1% | 17 | OSWorld; agent: o3 (15 steps); effort: medium | 官方榜单 via Epoch AI | 2025年7月27日 |
| τ²-bench | 52.0% | 24 | airline domain, pass^1; submitted by OpenAI; v0.1.3 | 厂商自报 | 2025年4月16日 |
| τ²-bench | 73.9% | 19 | retail domain, pass^1; submitted by OpenAI; v0.1.3 | 厂商自报 | 2025年4月16日 |
| BFCL v4 (function calling) | 63.0% | 8 | Overall accuracy; prompt-based“o3-2025-04-16 (Prompt)” | 官方榜单 | 2026年10月17日 |
| BFCL v4 (function calling) | 48.6% | 30 | Overall accuracy; native function calling (FC)“o3-2025-04-16 (FC)” | 官方榜单 | 2026年10月17日 |
常见问题
o3 的这些评测分数来自哪里？
来自 Epoch AI Benchmarking Hub、Berkeley Function Calling Leaderboard (BFCL)、LiveCodeBench leaderboard、LMArena leaderboard dataset、SWE-bench leaderboards (swebench.com)和τ²-bench leaderboard submissions。每一行都链接到原始榜单、数据集或报告，厂商自报的分数单独标注。