OpenAI merilis model o3 dan o4-mini

• Model o3 dan o4-mini secara signifikan meningkatkan kemampuan penalaran ChatGPT
• Kedua model ini melampaui sekadar tanya jawab sederhana, dan juga dapat menangani tugas kompleks seperti menggunakan kombinasi alat, menganalisis materi visual, membuat gambar, dan menjalankan kode Python
• Secara khusus, saat pengguna mengajukan pertanyaan, model ini memiliki kemampuan untuk menentukan sendiri dan menjalankan alat apa yang perlu dipakai dan kapan dipakai
• Kuat dalam pemecahan masalah kompleks, penalaran visual, dan analisis multi-langkah, serta mengejar gaya percakapan yang lebih manusiawi
• o3 adalah model untuk pemecahan masalah kompleks, sedangkan o4-mini adalah model penalaran yang cepat dan efisien, dengan tujuan mengejar performa tinggi dan efisiensi tinggi secara bersamaan
• Memiliki kemampuan penalaran multimodal yang memadukan gambar dan teks, serta kemampuan penggunaan alat bergaya agen yang lebih canggih

Perubahan fitur utama

OpenAI o3

• Hingga saat ini merupakan model berfokus pada penalaran yang paling kuat
• Mencapai performa terdepan di berbagai bidang seperti coding, matematika, sains, dan analisis visual
• Mencatat performa terbaik pada benchmark seperti Codeforces, SWE-bench, dan MMMU
• Menurut evaluasi para pakar eksternal, memiliki tingkat kesalahan serius 20% lebih rendah dibanding o1
• Sangat unggul dalam menghasilkan ide dan evaluasi kritis di bidang seperti pemrograman, konsultasi, biologi, dan rekayasa

OpenAI o4-mini

• Model kecil yang dioptimalkan untuk kecepatan dan efisiensi biaya
• Sangat unggul khususnya dalam matematika, coding, dan pemecahan masalah visual
• Menunjukkan performa terkuat di kelasnya pada benchmark AIME 2024 dan 2025
• Menawarkan performa unggul dibanding o3-mini juga pada bidang di luar STEM
• Cocok untuk lingkungan yang membutuhkan volume penggunaan tinggi dan respons cepat

• Kedua model sama-sama mengalami peningkatan dibanding model sebelumnya dalam pemahaman instruksi, kegunaan respons, dan keandalan
• Kemampuan mengingat percakapan dan memberikan respons yang dipersonalisasi juga diperkuat

Fitur multimodal

• Gambar dapat dimanfaatkan bukan hanya untuk pengenalan sederhana, tetapi juga sebagai bagian dari penalaran
• Pengguna dapat mengunggah foto whiteboard, diagram dalam buku, gambar tangan, dan sebagainya
• Model dapat mengenali dan menganalisis bahkan gambar yang buram atau terdistorsi
• Pemrosesan gambar seperti rotasi, pembesaran, dan transformasi juga dapat dilakukan secara otomatis melalui alat
• Meningkatkan kemampuan memecahkan masalah gabungan yang menggabungkan teks dan informasi visual

Cara penalaran yang berpusat pada pemanfaatan alat

• o3 dan o4-mini dapat mengakses semua alat di ChatGPT
• Saat pengguna mengajukan pertanyaan, model secara otomatis menentukan dan menggunakan alat yang diperlukan (pencarian web, analisis file, eksekusi kode, dan sebagainya)
• Contoh: saat diminta "memprediksi penggunaan listrik musim panas di California", model dapat menjalankan seluruh rangkaian pencarian web → pembuatan kode Python → pembuatan grafik secara berurutan
• Memungkinkan pemanfaatan informasi real-time, penalaran multi-langkah, dan respons terintegrasi lintas modalitas

Performa penalaran yang efisien

Perbandingan performa terhadap biaya

• o3 dibanding o1, dan o4-mini dibanding o3-mini, mencapai peningkatan efisiensi biaya yang sangat besar
• Berdasarkan hasil kompetisi matematika AIME 2025, baik o3 maupun o4-mini lebih murah dan lebih cerdas dibanding pendahulunya
• Dalam lingkungan penggunaan nyata pun, keduanya diharapkan menjadi pilihan yang lebih cerdas dan lebih murah

Peningkatan keamanan

• Dilatih ulang dengan data pelatihan baru untuk meningkatkan kemampuan menolak ancaman biologis, malware, prompt jailbreak, dan sebagainya
• Diperkenalkan sistem pemantauan keamanan berbasis LLM yang secara otomatis mendeteksi tingkat risiko respons model
• Hasil pengujian internal menunjukkan keberhasilan mendeteksi lebih dari 99% percakapan berisiko
• Di bidang berisiko seperti bio/kimia, keamanan siber, dan peningkatan diri AI, model dinilai belum mencapai tingkat risiko tinggi
• Verifikasi keamanan telah diselesaikan sesuai standar terbaru Preparedness Framework

Codex CLI: agen penalaran canggih yang digunakan di terminal

• Alat yang memungkinkan kemampuan penalaran o3 dan o4-mini digunakan juga di terminal
• Pengguna dapat memberikan kode, gambar, screenshot, dan sebagainya langsung ke model melalui CLI
• Model dapat terhubung dengan kode di lingkungan lokal untuk melakukan penalaran multimodal
• Dirilis sebagai open source: github.com/openai/codex
• OpenAI juga memulai program dukungan senilai 1 juta dolar untuk proyek berbasis Codex CLI

Cara mengakses

• Pengguna ChatGPT Plus, Pro, dan Team: dapat langsung menggunakan model o3, o4-mini, dan o4-mini-high
• Pengguna Enterprise dan Education: dapat mengakses mulai 1 minggu lagi
• Pengguna gratis juga dapat menggunakan o4-mini jika memilih opsi ‘Think’
• Pengguna API juga dapat mulai menggunakannya hari ini (mungkin memerlukan verifikasi organisasi)
• Di Responses API, akan tersedia berbagai fitur seperti ringkasan penalaran, pelestarian penalaran di sekitar pemanggilan fungsi, alat pencarian web, dan lain-lain

Arah ke depan

• Direncanakan untuk menggabungkan kemampuan penalaran khusus dari seri o dengan kemampuan percakapan alami dari seri GPT
• Ke depannya, model akan berkembang menjadi model yang dapat memanfaatkan alat secara proaktif sambil tetap melanjutkan percakapan alami

[GN⁺]

Komentar Hacker News

• Mengajukan pertanyaan teknis tentang reverse engineering Final Fantasy VII, tetapi AI memberikan informasi yang salah

  • AI mencari informasi di forum dan situs, tetapi mengarang detail yang keliru sehingga hasilnya tidak akurat
  • AI tampaknya menyadari bahwa ia tidak mengetahui jawabannya, tetapi tetap dengan percaya diri memberikan nilai yang salah
  • Diharapkan AI akan jujur mengatakan jika tidak bisa menemukan jawaban yang benar

• Menggunakan o3 untuk memasang WebStorm terbaru di NixOS, dan model tersebut menjalankan VM NixOS, mengunduh paket, lalu memberikan petunjuk instalasi

  • Tampaknya bahkan melakukan pengujian GUI, sangat mengesankan

• Claude 3.7 masih menunjukkan performa terbaik di SWE-bench

  • Model OpenAI kemungkinan juga bisa menunjukkan performa yang serupa

• Berhasil melakukan "tes Turing" sederhana untuk menulis konverter base 62 di C# dengan o4-mini-high

• Menanyakan tanggal bulan baru pada Agustus 2025 ke beberapa AI, tetapi sebagian besar memberikan jawaban yang salah

  • Claude menolak menjawab tentang cara memblokir mesin pencari tertentu

• o3 dan o4 menyadari ketika tidak memiliki alat pencarian web dan menolak menjawab

  • 4o dan 4.1 justru memberikan informasi yang salah
  • Fitur pencarian web baru ini berguna, dan memungkinkan penghapusan skrip Python yang tidak perlu

• Codex CLI tersedia sebagai open source

• Tidak ada perbandingan dengan Sonnet 3.7 atau Gemini Pro 2.5

• Reinforcement learning skala besar tampaknya menunjukkan kecenderungan performa meningkat seiring penggunaan sumber daya komputasi yang lebih besar

  • Menjadi pertanyaan sampai kapan tren ini akan terus berlanjut

• Sebagai konsumen, melelahkan untuk terus mengikuti model mana yang sebaiknya digunakan