o3 与 o4-mini-high 推理能力实测

这套教程讲什么

对 o3 与 o4-mini-high 的数学与推理能力做评测，用算法题、markdown 转思维导图、Flappy Bird 等任务，与 Gemini 2.5 Pro 对照。偏实测对比，适合想选型、看实际表现而非只看榜单的观众。

你会学到什么

• 用算法题对比三款模型的推理表现
• 测试 markdown 转思维导图的结构理解
• 以 Flappy Bird 检验代码生成完整度

适合谁

适合正在为推理或编程任务挑模型、想看具体题目下真实产出差异，而不是只信跑分的技术选型者。

学习建议

观看时留意同一道题在不同模型上的解题路径差别，若自己要复现，建议固定提示词与温度再跑一遍对照。

常见问题

看模型评测时为什么不能只信榜单分数？

榜单多为固定题库的平均结果，和你实际任务的题型、语言、上下文长度未必一致。更实用的做法是用自己业务里几道代表性题目做小样本实测，同时看正确率、解题过程是否可检查，以及失败时会不会编造答案。

用写小游戏来评测模型能反映什么？

这类任务一次性考察需求理解、代码组织、边界处理与可运行性，比单道算法题更接近真实开发。观察点包括生成的代码能否直接跑起来、界面与规则是否齐全、出错后能否根据报错自行修复，很能拉开模型差距。