深蒸馏 · 直播回看 · 配额批次 12

o3模型专题:真正的变化是围绕目标调用工具,而不只是更会回答问题

直播回看 | 2025.04.18 | 时长未标 | 已深蒸馏 45 / 53
来源:原视频 | @howie.serious | 2025.04.18
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):https://www.candobear.com/detail/l_6801ac44e4b0694c5ac288a9/4
阅读路径:先读第一组,弄清 howie 为什么把 o3 称为代理模型,而不是普通推理模型的升级;第二组看案例究竟证明了什么、没证明什么;第三组解决模型分工与参数混淆;第四组把能力变化接回主题研究和阅读。只看一组就看第二组,它能把「很强」变成可检查的任务表现。
一句话结论:对需要反复取证的任务,o3 的关键增量不是回答更长,而是能在推理过程中处理图片、搜索并调整路径;如果这些步骤没有改善证据和结论,代理能力就没有转化成实际价值。

第一组 · 质变在哪里:从生成答案到推进任务

1.1 工具不是附件,而是推理过程的一部分

原文在说什么

howie 的核心判断是:不要把 o3 理解为「o1 加上二」。普通聊天的典型过程,是接到问题、生成回答;他展示的 o3 则会在回答之前提取线索、搜索网页、处理图片,再根据新信息继续搜索。变化发生在答案形成的过程中,不只发生在最后那段文字里。

图片事实核查是第一个例子。一张涉及赫鲁晓夫的图片,被要求做事实核查;展示的任务用时一分二十五秒。howie 描述了提取关键词、查看搜索结果和网页、放大与裁剪图片等操作,还提到可以通过 Python 做图像处理。这里的重点不是「识图后讲一段历史」,而是图像提供搜索线索,搜索结果又反过来帮助理解图像。

他还展示了自己询问模型所得的工具清单,涉及 Python、网页搜索与浏览、图片生成、自动化、Canvas、时间位置以及个人记忆等。这是当时演示环境里的描述,不能由此推定每个账户、每次任务都具备相同工具。工具清单本身也不能代替实际调用记录。

关键概念
对你的实际应用

Ben哥可以把这条转成 ~/.agent-autoloop/report_html.py 的一个拟新增展示函数 render_evidence_steps():接收 action、source、finding 三个字段,展示「做了什么、依据在哪、发现什么」。没有真实执行记录就显示「未记录」,不根据模型写得像研究报告就补造搜索过程。这里是应用设计,本次不修改脚本,也未核查现有函数。

1.2 Agent 的分界不是名字,而是遇到反馈后会不会继续

原文在说什么

howie 不认可把所有标着「智能体」的产品都算作 Agent。他指出,有些只是 workflow;他真正强调的是:给定一个目标后,模型理解目标、搜集信息、调用资源,在尝试中遇到正负反馈,再分析错误、调整做法,持续推进。

这也解释了他为什么反复谈 agency。它不只是模型有多聪明,还涉及主动性、动机、知识和工具使用能力。他甚至把人的行为放进同一框架:有工具却不围绕问题行动,仍然可能停留在消费信息的状态。所谓「2025 年是 Agent 之年」,在这场里的含义,是完成目标的方式变了,而不是聊天入口换了一个名字。

不过,现场对「给它目标就不管了」的描述,讲的是代理执行的理想形态;后面的问答又明确反对「AI 员工替你挣钱,你出去玩」的宣传。两段应合起来读:模型可以多承担推进过程,人不能因此把目标、判断与责任一并外包。

关键概念
对你的实际应用

Ben哥以后在 tasks.md 的单条任务描述中,可以拟加入「目标」「完成证据」「受阻原因」「下一次尝试」四项,区分任务真的结束和某次调用刚刚结束。它们是建议写入的条目字段,不是假定文件已有这些栏目。本轮不读取、不改写 tasks.md,更不把讲者的代理比喻转换成自动放行权限。

第二组 · 案例怎么读:把惊叹拆成证据、结果与失误

2.1 猜中地点仍可能判断错方位

原文在说什么

howie 在工作室随手拍照,让 o3 猜拍摄位置。展示的任务经过五分四十一秒,识别出了地点与周边地标;但他也明确指出,模型把自己所在大厦的西南角判断成了西北角。这个失误不能被「地点猜得很准」盖过去。

他描述的处理路径包括放大、裁剪、辨认模糊文字、转成黑白、测量和搜索,并把照片与网上图片比对。这个案例的价值,是展示模型怎样把一张普通照片拆成多个可追查的线索。它不是只有一次直觉式猜测,也不是看上去解释充分就所有细节都对。

梁启超儿媳妇的问题则展示了另一种复杂性。单个事实不难,但要先列出儿子,再核对婚姻关系,不能把不同人的关系拼错。howie 报告的表现是二分四十三秒、十二次搜索、使用四十五个来源,并认为答案准确且附有来源。转写没有提供完整答案与来源清单,因此本篇只保留其测试描述,不代替读者重新认证人物关系。

演示任务讲者报告的过程或用时能支持的判断仍然保留的边界
图片事实核查一分二十五秒,结合图像处理与检索模型能沿图像线索查证完整证据链未随转写提供
工作室照片定位五分四十一秒,处理图片并搜索比对可以综合多层空间线索西南角被误判为西北角
梁启超儿媳妇二分四十三秒,十二次搜索、四十五个来源可以拆解并核对多个人物关系「满分」是讲者评价,非独立复核
关键概念
对你的实际应用

Ben哥的 knowledge.py 可以拟新增 build_claim_checks(),按 claim、evidence、counterexample、status 拆开保存判断。地点案例应留下两条记录:「地标识别符合讲者反馈」与「方位被讲者纠正」,不能只存一条整体成功。用于 ASIN 分析时,也应把品牌、尺寸和适配关系分开核对;这是迁移用法,不是直播提供了 Amazon 数据。

2.2 视觉推理不等于把图片里的字读出来

原文在说什么

后半场转到 thinking with images。howie 先展示复杂信息图的解读:模型按版面拆元素,解释表面与深层含义,再从时间轴、结构关系、隐喻等角度组织内容。他强调,图里压缩的信息,可能在解释时展开成一堂课。

随后提到逻辑与批判性思维的知识图、艺术图像,以及博斯《人间乐园》。这些例子共同指向一件事:图片的价值不只是文字,还包括元素之间的位置、结构和关系。不过,《人间乐园》这一段主要是在说明值得拿来尝试,不能写成现场已经完成并验证的完整分析。

howie 还用 OCR 转述与直接视觉能力作对比,认为只收到文字转述的模型会丢失大量图像信息。他对其他模型具体实现的说法没有在转写里给出技术依据,所以可以保留概念对比,不能把涉及产品实现的断言当成已核实事实。高考数学题也是测试举例,缺少完整题面和答卷,不能据此推出「所有难题都已解决」。

关键概念
对你的实际应用

Ben哥可以在 kb/STANDARD.md 拟加「图像证据」条目,要求记录 image_source、visible_elements、interpretation、uncertain_parts:原图出处、确实可见的元素、解释与不确定处分栏。以后蒸馏知识图时,把「图上有」与「模型推出来」分开,无法从转写获得原图时明写「原文未展开」,不要复原一张不存在的图。

第三组 · 模型怎么选:研究、写作与参数不能混为一谈

3.1 o3 很强,不等于每种写作都比 GPT-4.5 合适

原文在说什么

前半场 howie 极力强调 o3 的推理和语言表现,后面却回答了一个重要的反问:什么场景 GPT-4.5 更好?他的体验是,o3 有时喜欢使用大词,语言不够朴素;同样的「七层真相」测试,GPT-4.5 的效果更符合他的要求。

所以他的实际分工并不是只用 o3。他说个人约八成场景使用 GPT-4.5,尤其是一般写作;需要搜集信息、调用工具或做数学、科学、编程类任务时,再使用 o3。这个比例只代表讲者当时的使用习惯,不是给所有用户的配额标准。

他还把普通 o3 搜索比作 Deep Research Lite:都能围绕任务研究,但普通演示往往用几分钟,Deep Research 可以持续三十多分钟。他明确区分,研究开始前的确认环节与真正研究阶段不是同一件事;按他当时的解释,模型选择可能影响前者,不意味着研究底层随之切换。本篇保留这个历史语境,不把它写成今天的产品说明。

任务讲者当时的偏好选择理由不应扩大的结论
一般写作、「七层真相」GPT-4.5语言理解与朴素表达更合其要求不是统一的文科能力排名
信息搜集、工具调用、理科任务o3推理与工具结合不等于每次回答都需联网
更长时间的专题研究Deep Research能持续更久地搜集与组织材料用时长不保证研究必然更好
有明确答案的数学、编程任务认为 o4-mini 也可用关注正确答案、成本与速度不能泛化成所有 mini 都适用或都不可用
关键概念
对你的实际应用

Ben哥可以在 ~/.agent-autoloop/report_html.py 的输入设计中拟分开 research_evidence 与 editorial_text,前者保留材料,后者保存整理后的正文;再拟加 check_claim_source_links(),检查改写有没有把来源丢掉。不是照搬八成比例或固定某个模型,而是避免研究结果与写作加工混成一份无法追溯的文本。

3.2 上下文、输出长度与推理时间是不同的约束

原文在说什么

模型比较环节里,howie 反复解释 context window 与 output token 的区别:前者关系到能处理多少上下文,后者关系到一次能输出多少内容。他用不同研究报告的长度体验说明,输入容量大,不代表报告一定能完整输出。

最后讨论「狂暴模式」提示词时,他把重点放在 inference-time compute,也就是模型接到问题后用于运行和思考的计算。他解释,自己原来的提示词试图延长推理,以接近更高计算投入的效果;但也承认,o3 不能照搬 o1 的经验,模型是否针对这类提示做过调整并不清楚,需要更多测试。

这份克制比前面的夸张比喻更值得保留:提示词的作用机制与稳定效果,不是同一件事。原文出现了参数量假设、token 与字数混用、未来模型和发布时间预测,均不能整理成可靠参数表。尤其「假设三万亿参数」已经带着假设前提,删掉这个前提就变成了捏造规格。

关键概念
对你的实际应用

Ben哥可给 reading.py 拟加 check_output_completeness(),检查约定章节是否齐全、结尾是否异常中断;输入记录拟分成 context_limit_tokens、output_limit_tokens、actual_output_chars,不共用一个「长度」。未取得准确参数时记录「原文未展开」。这些是未来接口设计,本次没有读取代码,也不把示例字段冒充既有配置。

第四组 · 人怎么用:先建立问题,再建立知识框架

4.1 第一手资料与自己的测试,应当互相校正

原文在说什么

这场分享发生在讲者所说的 o3 发布不到四十八小时之内。他介绍自己的学习过程:看发布会,看官方博客,读视觉推理的专题文章,再拿原来积累的测试题试用。不是先看一堆二手结论,再凭印象决定模型适用范围。

他还展示 Readwise 中的主题阅读方法:从不同地方收集材料,打标签,按标签生成专门视图,把当前研究主题放到首页。o3、阅读、写作等主题各有入口。它本质上是一个持续积累的主题研究系统,不是看完一篇文章就宣布学会。

他对二手 AI 内容的批评很尖锐,但可复用的部分不是嘲讽,而是阅读顺序:先弄清工具是什么,再谈如何使用。Deep Research 的问答反复说明,概念错了,操作问题也会跟着错。他对未来 IQ、效果倍数和价格投入的强烈判断,则仍然只是观点与预测,不能因为主张看一手资料就自动获得事实地位。

关键概念
对你的实际应用

Ben哥可以在 knowledge.py 的记录设计中拟加 topic、source_type、source_date、test_observation 四项;把官方材料、讲者体验和个人复测分开。kb/STANDARD.md 则可拟加「模型比较必须带测试任务」的规则。本篇本身只是直播转写蒸馏,不假装已经补读官方资料,也不发起外部检索。

4.2 深度阅读的增量是导读,不是用报告取代原著

原文在说什么

谈阅读时,howie 特意把「解读」改为「导读」。他设想先让 Deep Research 围绕一本书研究,产生帮助读者建立背景、概念和知识框架的材料,再配合入门书与原著阅读。他举《世说新语》、四大名著以及学校推荐书目,强调读完不等于理解,更不等于形成体系。

结尾聊鲍勃·迪伦的电影,也延续同一条线:不知道人物、音乐运动与社会文化背景,看电影可能觉得没意思;先读背景研究,再去看,理解可能不同。他说准备分享报告,但转写没有包含报告正文,因此不能把这场写成一份现成的电影研究。

这与他前面的 co-intelligence、co-creativity 连在一起:人机结对不是为了证明文字全由谁写,而是扩大理解和创作的可能性。不过,他用「合计智商」解释协同效果,是比喻,不是 IQ 相加公式。真正需要人保留的,是研究什么、为什么值得研究,以及什么结果算理解了。

关键概念
对你的实际应用

Ben哥可以给 reading.py 拟加 build_reading_questions(),输出 background_questions、core_concepts、original_text_checks 三组内容:先补什么背景、要认清什么概念、回到原著核对什么。让 kb/STANDARD.md 的拟新增阅读要求明确「导读结论须与原著核对」,避免知识库最终只剩模型互相转述的报告。该流程是本文的迁移设计,不是讲者给出的代码方案。

与在用工作的关联

这条里的什么对应你手上的什么具体怎么用
工具参与证据形成~/.agent-autoloop/report_html.py拟加 render_evidence_steps(),展示动作、来源与发现
围绕目标根据反馈调整tasks.md以后单条任务写清完成证据、受阻原因和下一次尝试,本次不读改
地点正确但方位错误knowledge.py拟用 build_claim_checks() 分项记录结论与反例
图像不只是一段 OCR 文字kb/STANDARD.md拟分开可见元素、解释与不确定处
输入容量不等于输出完整reading.py拟加 check_output_completeness(),核对章节和异常中断
先导读,再读原著reading.py拟加 build_reading_questions(),为回原文核对留下问题

原文:howie.serious【howie 的 AI 主题讲座】o3模型专题,2025.04.18 直播回看。原视频见文首来源行;转写没有可据以推定全程时长的连续时间标记。

本篇依据:仅依据本次提示提供的转写全文,围绕代理能力、案例证据、模型分工与学习阅读重组。案例用时、搜索次数、来源数及个人使用比例均为讲者报告,未独立重跑;未读取转写文件、未查询外部资料。序号 45 按本任务文件标识 q45 编排,不表示另行核查了全部条目的完成进度。

更正与边界:按上下文将欧三、欧一、视说心语等统一为 o3、o1、《世说新语》。IQ 分数、语言测评分数、记忆覆盖、工具清单、API 身份要求、价格、mini 训练方式及未来发布时间等说法,均未在本次获得独立证据,不作为现行事实或选购依据;医学开场仅为讲者个人经历,本篇不转写为诊疗建议。原文没有提供的完整题面、测试答案、来源清单及技术实现,均属原文未展开。「对你的实际应用」仅是面向 Ben哥指定文件的拟议设计,未核查这些文件的内部实现,也未修改它们。

定位:中文深蒸馏,不是逐字摘要。