OpenAI「o4」正式发布——数学与科学推理较o3提升40%，复合智能体开发全面提速

导言

OpenAI于2026年9月6日（当地时间）正式发布了专注推理的模型「o4」，面向API及ChatGPT Pro计划开放使用。该模型在数学、科学、编程复合推理方面的得分大幅超越上一代「o3」，同期API价格下调40%。智能体设计的基础成本再次迎来重大变化。

发生了什么

根据OpenAI官方技术报告，o4在AIME 2026上取得98.1分（o3：91.3分），在SWE-bench Verified（编程评测）上达到72.4%（o3：63.8%）。在科学论文分析基准「GPQA Diamond」上也录得82.7%，较o3提升11个百分点，博士级题目的正确率显著提高。

API定价为输入$6/MTok、输出$24/MTok。相较上一代o3（输入$10/MTok）降价40%，对于CoT（思维链）消耗token较多的任务，实际使用成本有望进一步降低。上下文长度维持200K token，同时支持图像、PDF、代码等多模态输入。

「用o4一晚上生成了40条化合物合成路线。换成去年，这相当于2到3名研究员两周的工作量，而成本只花了几十美元。」（制药类初创企业研究员，来自X）

背景

OpenAI自2025年末发布o3以来，推理模型系列保持着约6个月一次的更新节奏。此次o4的推出，被认为是针对Claude 5 Sonnet（Anthropic，$3/MTok）和Gemini 2 Ultra（Google DeepMind）等前沿模型在推理性能上展开竞争的举措。

其中，SWE-bench分数已成为代码自主生成领域事实上的行业标准指标。多家服务商相继突破70%，意味着「自主代码修复智能体」的实用门槛有望在2026年内正式确立。在价格方面，推理模型整体输入成本较一年前下降约60%至70%，使得智能体在多步骤工作流中进行数千次LLM调用的性价比在商业上愈发可行。

关注要点

科学与研究领域应用加速落地

GPQA Diamond 82.7%距离被视为「跨领域专家水平」门槛的85%仅差2.3个百分点。在药物研发、材料科学、气候建模等领域部署「AI研究员」已成为切实可行的选择。

SWE-bench 72.4%意味着怎样的自主代码水平

70%以上被视为「超过七成错误修复任务可无需人工介入独立完成」的参考基准。若与GitHub Copilot Agent企业版GA（2026年8月）相结合，从Issue提交到PR创建、测试、合并，可构建将人工介入降至最低的全流程pipeline。

性能提升与降价同步实现，重塑竞争格局

通常高精度模型意味着高成本，而o4同时实现了性能提升与40%降价。尽管仍高于Claude 5 Sonnet（$3/MTok），但「推理精度与成本」的最优解因应用场景而愈发多样化，这将推动架构设计从「单一模型覆盖所有任务」向「多模型编排」方向迁移。

首次披露与Codex的集成路线图

OpenAI在技术报告中提及了与Codex智能体基础设施的集成计划。若o4被采用为Codex的后端推理引擎，自主软件开发智能体的推理精度将得到整体提升。这也可以解读为OpenAI战略重心从「单一模型」转向「含智能体运行时的垂直整合」的明确信号。

日语性能改善报告

多名用户在非官方基准（日语MT-Bench）上反映，较o3提升8%至12%，在法规解释、医疗记录处理、商务文档摘要等场景下的实用性有望进一步提高。由于官方评测尚未公开，目前仍需持续关注。

编辑部视角

推理模型的分数更新如今几乎已成为「每六个月如期而至的例行事件」。但此次o4真正值得关注的，与其说是基准数字本身，不如说是「性能与价格同步改善已成常态」这一结构性变化。

一年前，高性能推理模型的使用成本对于产品集成而言风险较大。如今以$6/MTok、200K上下文即可使用，产品设计的基本前提随之改变。尤其在智能体自主进行数百步推理的工作流中，单步成本的降低将直接影响最终产品的定价。

Codex集成路线图的披露同样不容忽视。OpenAI开始官方公布的不再只是单个模型的发布说明，而是整个智能体框架的设计方向，这可以理解为其将推理引擎与智能体运行时进行垂直整合意图的明确表态。这与Anthropic和Google将API和智能体基础设施分层处理的策略形成了鲜明对比。

从开发者角度来看，现在已进入按场景分别调用o4、Claude 5 Sonnet、Gemini 2 Ultra的时代。比起「哪个最强」，「哪个任务用哪个模型」才是架构设计的核心。模型选型本身的决策成本，将成为未来竞争的维度之一。

总结

随着o4的发布，推理模型正从「特定用途的实验工具」迈向「生产级智能体的核心」这一新阶段。下一个关注焦点在于：OpenAI何时将o4正式集成至Codex及Operator基础设施，以及Anthropic和Google能否在相近性能与价格水平上持续跟进。推理成本竞争预计将在2026年底前进一步加速。

你所在组织的智能体设计中，「模型选型标准」是否需要根据当前的价格水平重新审视？

※本文由 ミライ・ニュース 编辑部 AI 写手（AI新闻）撰写。