OpenAI Just Released o3-mini: Best coding model right now (better than DeepSeek R1)
Zusammenfassung
Kurz
Frank Andrade bewertet o3-mini-high anhand angeführter Benchmarks als besonders stark beim Programmieren und beschreibt o3-mini als schnelle Option für STEM-Aufgaben. Beispiele kleiner Codeprojekte und damalige ChatGPT-Zugangslimits ergänzen den Beitrag; die Vergleiche beruhen auf zitierten Auswertungen und sind keine eigene kontrollierte Studie.
Mittel
Frank Andrade stellt o3-mini und o3-mini-high als OpenAI-Modelle für Mathematik, Naturwissenschaften und Programmierung vor. Er beschreibt o3-mini als schnell und o3-mini-high als besonders stark bei Coding und Logik. Als Beleg nennt er einen LiveBench-Programmierwert von 82,74 für o3-mini-high, gegenüber 69,69 für o1, 67,13 für Claude 3.5 Sonnet und 66,74 für DeepSeek R1. Daraus leitet er ab, o3-mini-high sei derzeit das beste Coding-Modell.
Laut der im Artikel wiedergegebenen OpenAI-Auswertung erreicht o3-mini bei mittlerer Denkintensität in Mathematik, Programmierung und Naturwissenschaften o1s Leistungsniveau bei kürzeren Antwortzeiten; bei hoher Denkintensität übertreffe es o1. Der Autor erwähnt, dass LiveBench für Mathematik teils abweichende Ergebnisse zeigt. Kleine Spiele und Apps aus eigenen Versuchen und Nutzerbeispielen illustrieren die Einsatzmöglichkeiten, ersetzen aber keinen systematischen Vergleich.
Der Beitrag nennt damalige ChatGPT-Zugangsregeln und empfiehlt eigene Tests. Seine Ranglisten beruhen auf angeführten Benchmarks und Beispielen; Testbedingungen und Unsicherheiten werden nur begrenzt erläutert. Die Zugangslimits sind Angaben zum Veröffentlichungszeitpunkt.
Ausführlich lesen
Der Beitrag von Frank Andrade stellt OpenAI o3-mini und o3-mini-high als Modelle für anspruchsvolle Denkaufgaben vor, mit besonderem Schwerpunkt auf Mathematik, Naturwissenschaften und Programmierung. Der Autor berichtet, OpenAI habe beide Modelle kurz zuvor für ChatGPT und die API veröffentlicht. Er beschreibt o3-mini als schnell und stark bei fortgeschrittenem Schlussfolgern und o3-mini-high als besonders geeignet für Programmier- und Logikaufgaben.
Als wichtigste quantitative Belege führt der Beitrag Ergebnisse aus LiveBench an. Dort liege der durchschnittliche Programmierwert von o3-mini-high bei 82,74; zum Vergleich nennt der Autor 69,69 für o1, 67,13 für Claude 3.5 Sonnet und 66,74 für DeepSeek R1. Daraus folgert er, o3-mini-high sei derzeit das beste Modell fürs Programmieren. Für Mathematik fasst er OpenAIs Auswertung so zusammen: Bei geringer Denkintensität sei o3-mini ungefähr mit o1-mini vergleichbar, bei mittlerer erreiche es laut Beitrag o1s Leistung in Mathematik, Programmierung und Naturwissenschaften bei kürzeren Antwortzeiten, und bei hoher Denkintensität übertreffe es o1. Der Autor weist darauf hin, dass LiveBench bei Mathematik teilweise andere Ergebnisse zeige. Für Programmierung und Wettbewerbsaufgaben beschreibt er einen Leistungsvorsprung, der mit höherer Denkintensität wachse; auch bei einem Softwaretechnik-Test verweist er auf OpenAI-Grafiken.
Zur Veranschaulichung nennt der Artikel Beispiele aus sozialen Medien und eigene Versuche: Mit wenigen Anweisungen habe der Autor ein Python-Weltraumspiel erzeugt; andere Nutzer hätten einen einfachen Twitter-Klon sowie eine Simulation eines springenden Balls in einem rotierenden Sechseck erstellt. Diese Beispiele sollen die schnelle Umsetzbarkeit kleiner Projekte illustrieren, sind aber keine systematische Prüfung.
Der Beitrag nennt auch damalige Zugangskonditionen: Kostenlose ChatGPT-Nutzer könnten o3-mini über die Reason-Auswahl testen; Plus- und Team-Nutzer hätten ein Tageslimit von 150 Nachrichten, Pro-Nutzer unbegrenzten Zugriff auf o3-mini und o3-mini-high. Insgesamt empfiehlt Andrade, die Modelle selbst für STEM-Aufgaben auszuprobieren.
Die Aussagen zu Ranglisten und Überlegenheit sind die Einschätzungen des Autors auf Basis der angeführten Benchmarks und Beispiele. Der Text beschreibt keine eigene kontrollierte Vergleichsstudie, erläutert die Testbedingungen nur begrenzt und nennt keine Unsicherheitsmaße. Die genannten Zugangslimits beziehen sich auf den Veröffentlichungszeitpunkt des Artikels; der Bericht belegt nicht, ob sie später unverändert blieben.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Zusammenfassungen geben den Bericht im Kern treu wieder. Die Einordnung stützt sich auf den Bericht, der ein Produkt-Benchmark-Beitrag ist und keine Sicherheitsfragen behandelt.
Im Bericht, aber nicht in der Zusammenfassung
- Laut Artikel bleibt o1 das breitere Modell für allgemeines Wissen-Reasoning, während o3-mini ein spezialisierter Ansatz für Naturwissenschaften, Mathematik und Programmierung ist
- Kostenlose Nutzer können o3-mini in ChatGPT über den Reason-Button testen; Plus- und Team-Nutzer haben 150 Nachrichten pro Tag, Pro-Nutzer unbegrenzten Zugang
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 29 %Hintergrund, keine Belege
- JEV 37 %gleiches Oberthema, hilft nicht
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 56 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 53 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 57 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 33 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 64 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 54 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 68 %gleiches Oberthema, hilft nicht
- d3-ultra 57 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 58 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 71 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 35 %gleiches Oberthema, hilft nicht
- amos 51 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 45 %gleiches Oberthema, hilft nicht
- JEV 30 %einzelne zitierbare Belege
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 64 %gleiches Oberthema, hilft nicht
- d3-ultra 52 %gleiches Oberthema, hilft nicht
- Haiku-Prüfung nur am Rande erwähnt
Agenten und vernetzte Systeme
- SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 51 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 43 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 56 %gleiches Oberthema, hilft nicht
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 42 %gleiches Oberthema, hilft nicht
- JEV 43 %einzelne zitierbare Belege
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 60 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 57 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Wirtschaft und Haftung
- SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Alle Berichte im Archiv