2023年初，GPT-4横空出世，重塑了人们对大模型“极限”的认知。彼时，GPT-3.5已是业内翘楚，而GPT-4的发布则像是一记重锤，砸下了OpenAI在自然语言处理、逻辑推理、代码生成乃至跨模态理解等多项能力的霸主地位，推动整个行业进入SOTA（State-of-the-Art）不断刷新的加速通道。
两年后，2025年4月16日，OpenAI正式在直播中发布o3和o4mini，模型同步上线ChatGPT官网和客户端。形式上，这是一场延续传统节奏的模型发布会；情感上，它本该是又一次“引领新范式”的时刻。但落实到生产环境，当我们审视OpenAI近期的模型更新，包括最新的o3、o4mini以及前两天的GPT 4.1系列，却发现那种“一骑绝尘”的领先优势似乎正在消退。
无论是在标准评测中被Gemini 2.5 Pro超车，还是在编码能力和长上下文处理上逐步被Anthropic与Google追平乃至长期超越，OpenAI所面临的，不再是“引领一切”的熟悉剧本，而是一个对手林立、标准碎片化、差异化竞争加剧的“后神话时代”。大模型的黄金纪元或许尚未终结，但那种每一次发布都能重新定义“AI时代”的光环，已然暗淡。
NOTE如果你不想看各种Benchmark表格数据，可以直接快进到第二节“几个比较刁钻的隐忧”
一、模型速览与Benchmark观察
认识一个模型性能最直接和简单的方法就是看各种benchmark。虽然榜单可能会被刷/因为各种算法原因导致不公平评估，但终究是比我们自己“俺寻思”能更加拟合实际性能曲线的。
1.OpenAI自己的报告
后面的各种OpenAI自己的编程基准测试还有指令遵循榜单什么就不放了，总之结论是o3 和 o4mini的性能表现比之前的o1还有o3mini要好一大截，o3 和 o4-mini 是 OpenAI 迄今为止发布的最智能模型，而且它们通常也比其前辈 o1 和 o3-mini 更高效。
例如，在 2025 年 AIME 数学竞赛中，o3 的性价比边界比 o1 有显著提升；同样，o4-mini 的性价比边界也比 o3-mini 有显著提升。
更普遍地讲，OpenAI 预计，在大多数实际应用中，o3 和 o4-mini 也将分别比 o1 和 o3-mini 更智能、更经济。
2.Artificial Analysis LLM Leaderboard
可以看到排名还是稳的
3.Aider LLM Leaderboards 衡量模型编码能力的榜单
目前理论上的最优解是让O3当架构师，4.1作为最终的执行者去编写具体代码
4.LiveBench 我目前认为最权威的衡量模型性能的榜单
可以看到，目前的模型性能排行里最强的是o3 High，其次是o4-Mini High，第三是Gemini 2.5 Pro。
5.总结
综合来看，各项Benchmark数据显示，o3与o4mini相较于前代模型（o1、o3mini）在性能和效率上均有显著提升。特别是在LiveBench等综合性及编码能力评测中，o3（尤其是o3 High）展现出了顶尖水平，位列榜首。然而，值得注意的是，Gemini 2.5 Pro等竞争对手紧随其后，差距微小。这表明虽然OpenAI在新模型上依然保持了强大的竞争力，但大模型领域的竞争已进入白热化阶段，领先优势并非牢不可破。
注意，这是Benchmark的数据显示
二、几个比较刁钻的隐忧
1.o3在输出风格上很有R1味
作为一个从2022年12月注册ChatGPT，23年年末DeepSeek V1发布就第一时间上手试用，24年年中DeepSeek V2发布就哐哐注册api给深度求索送钱，24年年末R1发布当晚直接爽玩，4月16日o3发布凌晨掀开被窝激情开测的开发者来说……
目前的o3似乎在中文输出风格上，R1味有点太冲了。
我在这里很难用书面的方法去展现R1味到底冲在哪了。我只能说如果你熟悉R1 或者V3 new遣词造句的文风格式，熟悉那种“味”，那么一旦当你开始使用o3，那种好比是Speed终于遇到大张伟的熟悉感会顿然涌上你的心头，让你发出释怀的笑。
关于这个现象，我有一个很恶毒的猜测和一个不是那么恶毒的猜测。
恶毒一点的猜测是：OpenAI在训练模型的中文能力时，可能“参考”了R1的对话数据，甚至在某些阶段直接用于蒸馏或风格迁移的微调，导致中文输出风格趋同。考虑到R1在中文长文本和特定领域（如写作、知识问答）的优异表现，且R1发布即开源，所有人都可以自由托管和商业使用R1模型，在这个数据黑箱化、预训练巨量语料不可见的时代，边界从来不是清清楚楚的，很多东西模糊又灰色，最后都只能靠“味觉”来判断。
所以，如果o3在某个阶段真的“借鉴”了R1的语料或生成内容，无论是“用户行为间接采集”还是“平台内容重采样”，那倒也不能算是完全不可想象的事。更别说，R1本身就是当前中文市场最能打的模型之一，语料的结构和分布天然就带有训练价值——作为一家完全商业化的大模型公司，OpenAI确实是有这个动机去学习参考的。
不那么恶毒的猜测是：o3与o4mini之所以展现出浓厚的“R1风格”，可能并非数据“致敬”，而是技术路径上的自然趋同。
一方面，o3和o4mini在训练过程中均采用了DS R1同款的RL强化学习策略，RL虽然可以有效且显著的提升模型的推理能力、对齐人类偏好，但同时也会造成模型幻觉率的飙升：OpenAI技术报告称，o3和o4-mini「幻觉率」远高于此前的推理模型，甚至超过了传统模型GPT-4o。根据PersonQA基准测试，o3在33%的问题回答中产生了幻觉，几乎是o1（16%）的2倍。而o4-mini的表现更加糟糕，幻觉率高达48%。
前OpenAI研究员Neil Chowdhury表示，o系列模型使用的强化学习算法，可能是问题的根源。
甚至，有网友一针见血地指出，「o3对编写和开发超1000行代码的项目极其不利，幻觉率极高，且执行指令能力非常差」。不管是在Cursor，还是Windsurf中，o3编码幻觉问题显著。
另一方面，这或许也是中文大模型在发展至现阶段后的一种风格收敛现象。就像早期神经机器翻译刚刚兴起时，各家的“机翻腔”都像是同一个老师教出来的那样呆板，现在反而越来越接近自然语言的真实语感；中文LLM经过大规模语料预训练和长时间对齐优化后，也许都在逼近一个“通用且高效”的表达范式——而R1，只是率先踏入了这个风格带的那一位。
张口闭口量子力学夹点洋人腔这种事不要啊（
有群友表示o3和o4mini那个文风肯定是蒸了R1的，只有V3和R1会那么说话，令人感慨
所以，这件事其实巨他妈抽象，原来都是大家集体蒸OpenAI的，谁能想到现在的OpenAI（有可能）去反过来蒸别人了呢？
实际上，我自己倾向于第二种说法。如果你上手体验了字节的Doubao 1.5 thinking模型，会发现R1、o3和doubao 1.5 thinking在输出内容风格和幻觉程度上存在很大程度上的相似性，只是o3和doubao相对来说风格不是那么肆意飞扬，稍微好了一些。
2.部分友商模型“跑分没赢过，实际体验没输过”
是的，我指的就是Claude 3.5 sonnet和Claude 3.7 sonnet。这俩模型在开发者社区和编码领域是近乎无敌的存在。
在LiveBench、MMLU、GSM8K这些标准化评测中，Claude 3.5/3.7 Sonnet 虽然始终未能站上榜首，甚至在部分任务上连Top 3都摸不到边，但一旦你真正上手用它们来做开发任务、代码辅助、文档生成和工具调用时，它就是一种诡异的「越用越顺手」的存在。
尤其是工具调用，我不知道是 Cursor 和 Windsurf 等 IDE 的系统设计是不是专门为了 Claude 优化过的，但 Claude 的表现真的离谱地好：精准调用函数、不乱跳步、能推理工具的设计意图，还不会偷懒。你让它接入一个外部函数、调试一个中间状态、改一段提示逻辑，它不仅能照做，而且能顺带帮你兜一圈上下文逻辑，修个你没察觉的 bug。
Claude舒服的地方在于它不像 GPT 系列那样“非要你把指令说到尽头才开始动手”，也不会像 Gemini 那样喜欢大搞“破坏性编程”，Claude 更像是你熟悉多年的牛马资深程序员，不仅懂你的代码，还开始懂你的人了——你要的是 功能、可维护性 和 语义一致性，它全给你打包搞定。
而在 Claude 3.7 上，这种感受进一步升级。3.7 不仅延续了 3.5 的超强上下文连贯能力，在自然语言生成、内容总结、信息检索与重组方面也逐渐逼近该领域SOTA模型的水平，同时解决了之前 Claude 系列偶尔“机械重复”或“语言风格偏保守”的问题，让整体交互过程更松弛、更自然。
对比之下，GPT 系列虽然依旧强势，但在工具调用的鲁棒性、代码生成的意图一致性、以及复杂任务的状态记忆能力上，已经在许多实操场景中开始被 Claude 逐渐蚕食。这就很像是我们这些早期模型用户熟悉的一个体验悖论：跑分高的，未必是你愿意日常用的；跑分中等的，反而是你一直留在侧栏、舍不得关的模型。
现在，这种悖论正在被 Claude 重新定义：不吵不闹，不炫技，也不搞什么“仿生”表演，而是扎扎实实把你的生产力抬一档。从这一点来看，OpenAI 的领先确实还在，但竞争对手们也已经不再是“差一个世代”，而是“差一个偏好”和“差一个界面集成”而已。
3.降智！降智！还是降智！
奥特曼那点心思全对付他客户去了，防客户防比防友商还狠
传说中，这个世界上有两种GPT：一种是大家普遍用到手的，已经降智到连自己爹都不认识的普通GPT；还有一种是只活在KOL和OpenAI信徒的嘴里的那种无降智的薄纱其他所有模型的GPT。
遗憾的是，我和大多数开发者、写作者、爱好者一样，接触到的，绝大多数情况下是第一种。
自从 GPT-4 于 2023 年初发布以来，关于「降智」的争议就没停过。4.0 刚出那阵子，是真的震撼，那种一眼惊艳、处处可靠的语言组织力与多步推理能力，堪称 AI 使用体验的黄金时代。但从 2023 年 Q3 开始，一切都开始变了：
- 不该忘的上下文，它开始忘；
- 明明能回答的问题，它开始扯别的；
- 结构化提问，它能写出洋洋洒洒一大段模糊废话，但就是不肯列点；
- 你让它生成代码，它会直接偷懒给你一个摘要，剩下的要求你自己写
可能不是我们不会用了，而是被“打上标签”了。
一个月200刀的Pro用户可以纵享丝滑，API用户才配享真正的智能，免费用户看看热闹就行，Plus用户……嗯，Plus用户交了钱也不是人。
用户体验一路走来有点像开盲盒：你永远不知道今晚上线的，是哪一个版本的GPT在陪你过夜。这在体验层面造成了极大的挫败感。明明你知道它「本来是会的」，甚至可能「一个月前还会」，可现在它偏偏不愿给你写、不愿继续、不愿回答。而这一切的最终解释，永远是那句玄学通用句：“模型行为是不可预测的。”
上述三点，导致了新模型o3和o4 mini跑分很好看，但落到现实使用中可能综合体验并不如Claude 3.7 sonnet/Gemini 2.5 Pro，甚至是自家上一代模型4o。新的模型确实进一步拓展了推理模型的性能边际，但距离一个大家设想中的新全能旗舰模型还差得很远。
NOTE此处致敬传奇万亿参数再过几个月就要从api里下线的肺雾模型GPT 4.5
三、批判性观点：OpenAI的优势/护城河是什么？
当然啊当然，本篇博客我无意疯狂看空OpenAI，无论如何OpenAI作为大模型领域的先驱者，仍然拥有着巨大的存量优势。o3和o4mini的优势区间为模型基础的视觉能力，OpenAI黑科技一般的对齐能力，和ChatGPT本身作为一个大的Agent产品的设计能力。
1.自GPT 3.5发布以来就无人能及的黑科技一般的对齐能力
我不得不承认的是，OpenAI在模型对齐方面确实直到现在都无人能及。无论是指令遵循、角色扮演、场景安全，还是整体语言风格的收束度，GPT 系列依然是“最像人在和你对话”的模型之一。这种极致“拟人感”背后，靠的是大规模的人工反馈、有监督微调、强化学习、分层安全审查等复杂系统协同训练的结果，而不是单纯的“规模压制”或者“架构创新”。
这意味着什么？意味着OpenAI并不是只会训练大模型的公司，它更像是一家“AI行为塑造公司”，它在努力训练一种符合当代社会技术伦理、法律红线、审查规范、平台责任的“可控性智能”。也因此，它不再那么锋利，不再那么有趣，也不再那么纯粹。但它很“安全”、很“可控”，很“适合部署到你的CRM系统、医疗建议引擎、或少儿编程辅助助手上”——这就是OpenAI未来会变成的样子。
OpenAI的模型可能从来都不是“最好的选择”，但一定是“最不坏的选择”。
2.ChatGPT本身就是一个Agent产品
你可以在 Hugging Face 上试无数模型，在 Gemini 的AI Studio里爽用Gemini 2.5 Pro，在 Cursor或者Windsurf里疯狂用屎山代码拷打Claude 3.7 ，但你依旧很难不打开 ChatGPT——哪怕是随手查个句子、翻个译、写个提纲，ChatGPT 依旧是 “默认的那个AI”。
用户心智才是真正的护城河。
ChatGPT 已不再是一个单纯的聊天机器人，而是一个正在变成“默认认知外包入口”的通用朋友 ：它能帮你跑插件、调API、做笔记、分析图像、写代码、讲道理、装懂文学、甚至假装是你女朋友。它接入了浏览器、文件分析、代码编辑、系统指令、Agent任务链……这是 Claude 和 Gemini 暂时还没法完整替代的。
这一点在ChatGPT支持索引全部对话记录作为记忆之后显得尤为明显，每个用户和ChatGPT进行的每一次对话都是在调教一个更贴合自己需求的私人AI助理，用户自己产生的对话数据天然成为了留存用户的最佳手段。
而你只要是个 Plus 用户，它就能稳稳陪你过夜，不离不弃。
所以说，OpenAI在产品设计上的节奏可以不准确的归结为：模型更新节奏可以慢一点，性能差异可以模糊一点，重点是让用户在产品上“沉没成本深一点”。它要的不是你觉得 GPT 最强，它要的是你 “懒得换”。
3.但这个护城河真的就稳固吗？
表面上看，OpenAI确实构筑起了一道又厚又高的护城河：最强对齐能力 + 最广泛平台入口 + 最庞大用户体量。但对于一家商业化公司来说，这条护城河真的就稳固吗？
我们现在打开ChatGPT，是因为我们“已经在用”；我们让它帮忙，是因为“它都在这儿了”；我们续费Plus，是因为“好像别的也差不多贵”。 但如果哪天Claude开放了插件生态，Gemini支持了真正的记忆，Qwen痛改前非开始用心做产品……用户真的不会走？
一个真实的互联网产品规律是：用户习惯可以被迁移，但信任一旦动摇就再难回头。而过去一年中，OpenAI不断在降智争议和过于严苛的风控中消耗用户信任，其平台护城河的根基，其实并没有比任何一家闭源巨头强太多。
ChatGPT 是当下最优解，但它不一定是未来最优选。用户不是留在平台上的人，他们只是暂时没离开的流动性。
四、从一超多强到六极
我现在仍然还记得 GPT-4 刚发布那会给中文互联网造成了多大的震撼。当时“第四次工业革命”“AI亡国论”“中国为什么训练不出GPT这样伟大的模型”等各种速败党言论四起，知乎、微博、B站、虎嗅满天飞都是“完了完了我们这次又要错过了”的语气。舆论普遍带有悲观情绪，哪怕是为建制派辩护的乐观论点，也都集中在“美国擅长颠覆式创新，中国擅长工程化落地”“我们可以慢一点，但最终会赶上”这些“战略腚力论”，言下之意，我们在基础模型能力上似乎已望尘莫及。那是一个“一超多强”格局看似已定的时刻，OpenAI如日中天，其他所有玩家都像是遥远的追赶者。
在2023年到2024年上半年，Gemini和Grok持续拉跨，大而无能；Meta的Llama独占开源模型社区鳌头，基本上所有的开源大模型infra项目都是围绕Llama构建的；Mistral初期亮眼但在实际份额中并不瞩目。
然而，技术浪潮的演进速度，总是超乎最悲观或最乐观的预言家的想象。先是阿里的Qwen系列异军突起，在开源社区的表现甚至超越了Meta的Llama，一度成为开源模型的新标杆，打破了“西方独大”的神话。紧接着，DeepSeek V3 和之后的DeepSeek R1 横空出世，其优异的性能和极具竞争力的成本效益，不仅在国内引发轰动，更实实在在地“给全世界带来了一点小小的中国AI震撼”。“开源“再也不是落后闭源模型的借口，R1直接让国内的大模型独角兽折了继续搞基础模型预训练的心气。
在Llama4给大家拉了一坨大的之后尤甚
在海外，Gemini 2.5 Pro彻底给谷歌打了一场翻身仗，在多个榜单持续刷新SOTA成绩；2024年年中Anthropic发布的Claude 3.5 sonnet直到现在在很多编程榜单中依然非常能打，之后的Claude 3.7更是长期被视为最佳Coding模型。
过去两年，大模型的竞争格局正在经历从一超多强到全球六极的转变，这六极分别是：
- OpenAI (GPT系列, o系列): 曾经的绝对领先者，如今仍是综合实力最强的玩家之一，尤其在模型对齐、产品化（ChatGPT）和品牌心智上优势明显，但面临“降智”争议和日益激烈的性能追赶。
- Google (Gemini系列): 凭借强大的研发实力和数据资源，在Gemini 2.5 Pro后强势回归，展现出在多模态、长上下文和综合推理能力上的顶尖水平，是OpenAI最直接的挑战者。
- Anthropic (Claude系列): 以其在编码、写作、长文本处理和安全性方面的卓越表现，尤其是在开发者社区中赢得了极高声誉，形成了独特的竞争优势和用户粘性。
- xAI (Grok): 马斯克麾下的变量，虽然早期模型表现不尽如人意，但靠暴力堆卡堆算力训出了综合表现非常不错的Grok 3系列。
- DeepSeek (V系列, R系列): 中国AI力量的杰出代表，以技术实力和开源策略（尤其是R1）震撼市场，证明了中国在基础模型研发上的能力，并在性价比上极具竞争力。
- Alibaba (Qwen系列): 同样是中国头部玩家，通过强大的模型性能和积极的开源贡献，在国内外都获得了广泛认可，尤其在中文能力和企业级应用方面根基深厚。
这“六极”的形成，标志着大模型领域进入了一个群雄逐鹿、各擅胜场的新阶段。不再是OpenAI一家独大，定义所有标准；而是多个技术高峰并存，在不同维度（性能、成本、特定任务、开源/闭源、区域市场）上展开激烈厮杀。
曾经我们以为，大模型的未来属于“一个GPT，统治所有API”的超级智能。但今天看来，大模型的终点很可能不是“一个超神的AI”，而是“多个足够好的AI，共享一个复杂的社会系统”，也就是Multi Agent系统。
对OpenAI而言，这意味着曾经遥遥领先的“代差”优势正在快速消失。它的对手们不仅在Benchmark上步步紧逼，更在实际应用场景中找到了差异化的突破口（如Claude的编码、Gemini的多模态）。“护城河”在变浅，挑战者在变强。这正是本文探讨的OpenAI“颓势尚显”的宏观背景——并非其自身能力的绝对下降，而是在一个更强大、更多元的竞争环境中，其相对领先地位所面临的严峻挑战。
尾声：喧嚣落幕，长路开启
2023年是浮躁的，GPT-4横空出世，一切都像是“科技奇点”在提前兑现。OpenAI带着超级模型、超级叙事和超级平台，把所有人拉进了一场压倒性的“快变量”竞赛：谁模型更大？谁token更长？谁benchmark更高？谁先把AI Agent跑起来？
但2024年到2025年这段时间里，快变量的边际红利，正在迅速递减。不再有“谁一发模型所有人都闭嘴”的时代；不再有“你跑得快就能吃下整个生态”的黄金窗口；不再有“训练规模等于智能程度”的直线逻辑。那个大家寄予厚望的GPT 4.5拉了，GPT5也不再是之前投资人和极客们设想的真全能模型，而是基于多模型自动路由的Agent系统。GPT-4之后，所有的新模型都开始变得越来越像“一个可接受的答案”，而不是“唯一的真理”。
而当“唯一正确”的神话破灭，真正重要的问题才刚刚开始：
我们要什么样的智能？我们希望它在哪些地方参与，又在哪些地方克制？我们是要一个全知的“黑盒神明”，还是要一套透明的“协作工具”？我们是想复制人类，还是补足人类？
这些问题，不可能在一个模型版本中回答清楚，也不可能靠一次技术突破终结争议。它们只能被长期摸索、被无数次部署试错、被现实场景一遍又一遍打磨修正。AI真正进入了“工程-反馈-伦理-演化”四步循环的慢变量阶段。
喧嚣落幕，长路开启——行百里者半九十，前半段是热血，是风口，是资本与算力的狂奔；后半段却是细活，是冷静，是系统性工程与“慢变量”的博弈。从模型到平台，从平台到生态，从生态到社会接口，AI这场漫长的工业化进程，已经越过神话阶段，进入基础设施时代。
这条路不会再有太多奇迹，但它值得我们走下去。慢一点也没关系，关键是别停，也别偏。
AI的“黄金热潮”也许正在冷却，但它的真实时代才刚刚展开。