o3-mini 碾压DeepSeek R1？一条python程序引发近400万围观

tayun

机器之心报道

机器之心编辑部

AI 圈的头条被 DeepSeek 承包了十几天，昨天，OpenAI 终于坐不住了，推出了全新推理模型系列 o3-mini。不仅首次向免费用户开放了推理模型，而且相比之前的 o1 系列，成本更是降低了 15 倍之多。

OpenAI 也称这是其推理模型系列中最新、最具成本效益的模型：

刚刚上线，已经有网友迫不及待的拿它和席卷整个大模型圈的国产大模型 DeepSeek R1 进行对比了。

前段时间，AI 社区开始沉迷用 DeepSeek R1 和其他（推理）模型比拼这个任务：「编写一个 Python 脚本，让一个球在某个形状内弹跳。让该形状缓慢旋转，并确保球停留在形状内。」

这种模拟弹跳球的测试是一个经典的编程挑战。它相当于一个碰撞检测算法，需要模型去识别两个物体（例如一个球和一个形状的侧面）何时发生碰撞。编写不当的算法会出现明显的物理错误。

在 DeepSeek R1 席卷国内外热搜，MicroSoft、英伟达、AMAZON等美国云计算平台争先恐后引进 R1 的同时，R1 也在这个任务中完成了对 OpenAI o1 pro 的碾压。

再看 Claude 3.5 Sonnet 和GOOGLE的 Gemini 1.5 Pro 的生成结果，DeepSeek 旗下的开源模型高出的确实不只是一个 level。

然而，在 o3-mini 上线后，剧情似乎一夜反转了，比如这个帖子宣称 OpenAI o3-mini 碾压了 DeepSeek R1。目前已引发近 400 万网友围观。

该开发者用的 prompt 是："write a Python program that shows a ball bouncing inside a spinning hexagon. The ball should be affected by gravity and friction, and it must bounce off the rotating walls realistically"

也就是分别让 o3-mini 和 DeepSeek R1 写一个球在旋转的六边形内弹跳的 python 程序，小球跳动的过程中要遵循重力和摩擦力的影响。最后的展示效果如下：

从效果来看，o3-mini 把碰撞、弹跳效果展示的更好。从对重力和摩擦力的理解来看，DeepSeek R1 版本的小球似乎有点压不住牛顿的棺材板了，完全不受重力控制。

这并非个案，@hyperbolic_labs 联合创始人 Yuchen Jin 在此之前也发现了这个问题，他分别向 DeepSeek R1 和 o3-mini 输入了提示词：write a python script of a ball bouncing inside a tesseract（编写一个 Python 脚本，模拟一个球在四维超立方体内部弹跳）。

四维超立方体的每个顶点与四条棱相邻，每条棱则连接两个立方体。四维空间内的几何图形超出了人类的直观感知范围，所以听着这些描述，大家可能很难想象出一个四维超立方体长什么样子。

而 o3mini 不仅展现出了稳定的几何结构，小球在四维空间内弹跳的运动轨迹也较为灵活，有撞到立方体侧面的打击感。

再来看 DeepSeek R1 这边，它对四维超立方体的形状理解似乎还不够深入透彻。同时，小球在其中的运动轨迹也显得有些诡异，有一种「飘忽不定」的感觉。

据 Yuchen Jin 称，他试了很多次，所有用 DeepSeek R1 尝试都比一次性的 o3-mini 要差，比如下面这次就剩下球了。

机器之心也亲测了一把，同样是 Pass@1 测试，DeepSeek R1 这次是既有球又有几何外框了，甚至小球还会变换颜色色，遗憾的是，它把四维超立方体简化成了三维空间坐标轴。

o3-mini 的表现则有些「买家秀」的意味，明明和 Yuchen Jin 输入的是完全一样的提示词，为什么 o3-mini 就不会了？得不到如上所示的「卖家秀」了呢？

看来，在生成小球在几何外框内跳动的程序这方面，DeepSeek R1 并不是完全是 o3-mini 的手下败将。

AIGC 从业者 @myapdx 用了一个更加复杂的同类提示词来测试 o3-mini 和 DeepSeek R1：编写一个 p5.js 脚本，模拟 100 个彩色小球在一个球体内部弹跳。每个小球都应留下一条逐渐消失的轨迹，显示其最近的路径。容器球体应缓慢旋转。请确保实现适当的碰撞检测，使小球保持在球体内部。

o3-mini 的效果是这样的：

提示词里的这么多项要求：在球体内部弹跳、留下逐渐消失的轨迹、容器缓慢旋转......o3-mini 都完美满足。

而 DeepSeek R1 的效果，好像也没差到哪里去：

至于为什么会出现这样的差异，Yuchen Jin 和 @myapdx 都在帖子中提到，这个任务对模型如何理解真实世界的物理规律有所反应。模型需要综合自己对语言、几何、物理和编程的理解，方能得出最后的模拟结果。从前两轮的结果看来，o3-mini 有可能是物理学得最好的大模型。

与此同时，OpenAI 也在昨天的发布博客中强调过，在博士极科知识题方面 o3-mini-low 的表现优于 o1-mini。o3-mini-high 的表现与 o1 相当，在博士级生物学、化学和物理问题上都有显著进步。

对人类来说，理解小球跳动时的重力和摩擦力并不算困难，但在大语言模型领域，这种对物体物理状态的「世界模型」理解能力，直到最近才真正突破。

还有网友猜测，DeepSeek R1 的程序有时只有一个球，会不会是它想得太多了？

不知是否有读者亲自体验过？欢迎讨论。

https://x.com/flavioAd/status/1885449107436679394

https://x.com/iamRezaSayar/status/1885760491466997791

https://x.com/Yuchenj_UW/status/1885416559029740007

https://x.com/Yuchenj_UW/status/1885472365309833382


来源：网易