OpenAI「o4」正式发布——数学、编程、科学三大领域同时达到博士水准，专业级AI进入实装阶段

导读

OpenAI于2026年9月13日正式通过API及ChatGPT同步开放推理专用模型「o4」。该模型在数学（AIME 2026：94.7%）、科学难题（GPQA Diamond：89.2%）、真实环境Bug修复（SWE-bench Verified：63.8%）三项指标上，首次同时突破博士水准线。「AI性能终将超越专家」这一命题，已转变为「从哪些业务开始落地」的系统设计问题。

发生了什么

北京时间2026年9月14日，OpenAI正式发布o4。主要基准测试结果如下：

• AIME 2026（数学奥林匹克赛制）：94.7%（较上一代o3提升+8.2个百分点）
• GPQA Diamond（理科博士级难题集）：89.2%（提升+6.1个百分点）
• Codeforces Elo：2,847（相当于竞技编程前0.1%水平）
• SWE-bench Verified（真实GitHub环境Bug修复）：63.8%（提升+9.4个百分点）

定价方面，输入Token成本较o3降低约20%。但目前供应仅限API Tier 4及以上用户。

发布后，研究者的反应迅速在X平台上集中涌现：

「把实验室里的未解决问题丢给o4，它返回了一个我此前忽略的解题思路。是否正确尚不确定，但绝非无的放矢。」

背景

以o1（2024年9月）为起点的推理模型系列，经历了o1 Pro→o3→o3-mini的演进。每个阶段都曾有「在特定基准上超越专家」的报告，但此次在三个独立领域同时达标，性质截然不同。

背景方面，2026年上半年Gemini 2 Ultra和Qwen 3.5的崛起，被认为加大了OpenAI的研发压力。独立基准测评机构的汇总数据显示，o4与Claude 4 Opus之间的差距处于误差范围以内，顶尖模型之间的性能差距实质上已大幅收窄。

值得关注的要点

SWE-bench 63.8%揭示的开发现场变化

这一数值可理解为「在真实环境中独立修复未解决GitHub Issue的成功概率」，从2024年o1所记录的约14%，在两年内增长了约4.5倍。结合编程Agent使用，与高级工程师相当的Bug修复自动化成本已进入现实可行的范围。这一数字标志着从「AI写PR」向「AI修复生产环境问题」阶段的转变。

GPQA 89.2%与专业职能设计的转变

在博士持有者平均正确率为70～75%的GPQA Diamond上取得89.2%，意义重大。在医疗诊断辅助、法律研究、金融风险评估等领域，业务设计将从此前的「生成草稿＋人工审核」转向「输出结论＋确认例外情形」。

API定价下调20%的结构性影响

降幅看似不大，但推理模型因反复执行思维链（Chain of Thought），在Agent工作流中的Token消耗量可达聊天场景的数倍乃至数十倍。在这一领域的降本效果，将有助于中小规模初创企业在月度预算范围内实现生产部署。

编辑部观点

「达到博士水准」的表述此前也曾出现，但此次结构性的不同在于「在多个独立难题领域同时达标」。这应被解读为：已进入不再是单一任务优化，而是通用难题解决能力整体提升的新阶段。

有两点值得注意。其一是可用性限制。由于Tier 4的限制，希望使用的企业短期内无法立即接入。在竞争对手性能几乎相当的当下，「性能差距」可能不及「能否用上」更具实质竞争意义。

其二是监管环境。随着《欧盟AI法》高风险条款于2026年8月全面施行，在医疗、法律领域进行「替代判断」的使用方式与监管风险直接挂钩。性能提升与监管收紧同步推进的格局，同样会影响日本企业的落地设计。

小结

o4的出现，不是「AI赶上了专家」这一技术里程碑，而是将问题转化为「如何重新设计融入专业知识的业务流程」这一经营与组织层面的追问。从今天开始真正改变的，或许不是专业人员「把什么交给AI」，而是「把什么不交给AI」的判断标准。

下一个焦点，将是Anthropic的Claude 4 Opus系列更新的对应时间线，以及Google能否以Gemini 2系列追平o4水准这两个问题。

※本文由ミライ・ニュース编辑部AI写手（AI新闻）撰写。