OpenAI: o3 (batch)

o3 ist OpenAIs vielseitiges Reasoning-Modell der o-Serie für komplexe Aufgaben. Der Hersteller hebt Mathematik, Naturwissenschaften, Programmierung, visuelles Schlussfolgern, technisches Schreiben und das Befolgen von Anweisungen hervor. Es nimmt Text und Bilder entgegen und erzeugt Text, sodass eine Aufgabe eine schriftliche Problemstellung, Code und ein Diagramm verbinden kann, statt jede Quelle als isolierte Frage zu behandeln. Das angestrebte Ergebnis ist eine durchdachte Antwort auf ein mehrstufiges Problem mit den Informationen, die zur Beurteilung dieser Antwort benötigt werden.

Stellen Sie bei einer mathematischen oder naturwissenschaftlichen Frage das vollständige Problem, Definitionen, bekannte Größen, Einheiten und Bedingungen bereit. Geben Sie an, ob Sie eine Herleitung, ein numerisches Ergebnis, einen Vergleich von Hypothesen oder eine Erklärung für eine bestimmte Zielgruppe benötigen. Ein beispielhafter Ausgabeauftrag lautet: Benennen Sie die relevanten Annahmen, stellen Sie die Lösung mit ihren Einheiten dar und erläutern Sie, welche bereitgestellten Fakten sie stützen. Fragen Sie nach einer nützlichen Erklärung in der abschließenden Antwort; OpenAIs interne Reasoning-Token werden nicht als ungefiltertes Arbeitsprotokoll des Modells offengelegt.

Stellen Sie bei Softwareaufgaben den relevanten Code, das erwartete Verhalten und den beobachteten Fehler bereit, einschließlich der genauen Fehlermeldung oder Eingabe, die ihn sichtbar macht. Bitten Sie o3, die Symptome mit einer plausiblen Ursache zu verknüpfen und eine gezielte Änderung mit Erklärung vorzuschlagen. Eine visuelle Aufgabe kann ein Diagramm, einen Screenshot oder ein grafisch dargestelltes Ergebnis enthalten: Benennen Sie die Frage sowie die wichtigen Beschriftungen oder Bereiche, bewahren Sie einen lesbaren Maßstab und fordern Sie eine Schlussfolgerung an, die sich auf das tatsächlich Sichtbare bezieht. Diese Vorbereitung gibt dem Modell ein definiertes Problem und ein konkretes Ausgabeziel statt eines unbegrenzten Auftrags, alles zu untersuchen.

OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Internes Schlussfolgern beansprucht neben der sichtbaren Antwort Kontext- und Ausgabekapazität. Die maximale Ausgabe ist daher keine Zusage von 100.000 sichtbaren Antwort-Token, und der Kontext bildet kein zusätzliches unabhängiges Ausgabekontingent. Lassen Sie nach dem Eingabematerial Platz für die Analyse und das gewünschte Ergebnis. Der Reasoning-Leitfaden des Herstellers beschreibt unvollständige Antworten beim Erreichen einer Kontext- oder Ausgabegrenze; dies kann geschehen, bevor eine sichtbare Antwort erscheint.

Die genaue o3-Spezifikation dokumentiert die Schnittstellen Chat Completions, Responses und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Datei-Uploads, Bildeingaben, Dateisuche und Prompt-Caching. Zu den dokumentierten Werkzeugen zählen Web- und Dateisuche, Codeinterpretation, Bilderzeugung und MCP-Verbindungen. Ein Suchergebnis oder eine Berechnung liefert zusätzliche Belege für die Aufgabe, während ein Funktionsaufruf eine Operation von der umgebenden Anwendung anfordert. Halten Sie die zurückgegebenen Belege mit der Frage verknüpft, die sie beantworten, und unterscheiden Sie einen Handlungsvorschlag von einem bestätigten Ergebnis. Die eigene Ausgabe des Modells bleibt Text, auch wenn ein Werkzeug zur Bilderzeugung ein separates Ergebnisartefakt erstellt.

OpenAIs Reasoning-Leitfaden empfiehlt einfache, direkte Anweisungen mit klaren Grenzen zwischen Anweisungen und Ausgangsmaterial. Geben Sie das Ziel, die Bedingungen und das benötigte Antwortformat an, statt den privaten Denkprozess des Modells vorzugeben. Nutzen Sie Beispiele, wenn sie ein schwieriges Format oder eine Entscheidungsregel verdeutlichen, und halten Sie sie mit den tatsächlichen Anforderungen in Einklang. Kennzeichnen Sie bei einem langen technischen Dokument die Abschnitte und fragen Sie nach Passagen oder Beziehungen, die für eine bestimmte Frage wichtig sind; benennen Sie bei einer Codeprüfung das Verhalten und Risiko, das untersucht werden soll.

Ein nützliches Ergebnis von o3 kann eine ausgearbeitete technische Erklärung, eine Diagrammanalyse, eine dokumentierte Codekorrektur oder ein durch das bereitgestellte Material gestützter Vergleich sein. Machen Sie unbelegte Annahmen und fehlende Informationen ausdrücklich kenntlich und prüfen Sie entscheidende Berechnungen oder das Codeverhalten anhand der ursprünglichen Aufgabe. Aufgrund seines Wissensstands benötigt das Modell für aktuelle Fakten bereitgestelltes Material oder ein geeignetes Informationswerkzeug. Klare Belege, ein ausdrückliches Abschlusskriterium und genügend Ausgaberaum helfen dabei, aus einer breiten Reasoning-Aufgabe ein Ergebnis zu machen, das eine andere Person prüfen und nutzen kann.