o3猜照片位置深度思考6分48秒，范围精确到“这么近那么美”

梦晨
2025-04-27
14:12:50

来源：量子位

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

ChatGPT新玩法，让程序员大佬Simon Willison直呼太反乌托邦了，像科幻突然变成现实：

只需一张照片，靠带图深度思考就能猜出地理位置。

这种玩法很简单，随手拍一张风景，没有任何明显的地标即可，也不需要复杂的提示词，只需要问“猜猜这张照片是在哪里拍的？”（需要o3/o4-mini的带图思考，先关闭所有记忆功能）。

只见ChatGPT从山看到植物，从建筑细节分析到车辆，运行代码截取放大车牌数次。

最终得出结果，离准确答案只差200-300公里，相当于从北京到河北，这么近那么美。

ChatGPT的策略是先猜个大概，再根据画面细节一步步缩小范围锁定结论，给出的依据如下：

首先车牌是加州样式→基本确定在加州。

很多加州常见植物和标志性蓝天→典型的加州中部沿海植被和气候。

低矮的淡色海滩小屋，配有白色尖桩篱笆和绳索和柱子搭建的露台栏杆→圣克鲁斯和皮斯莫之间的海滩小镇的常见建筑。

城镇后面连绵起伏的绿色海岸山脉（没有高峰，没有雪）→符合圣卢西亚/圣克鲁斯沿海丘陵。

最终ChatGPT给出结论：

综合起来，这张照片指向一号公路边上的一个小村庄。村舍林立，背靠群山，颇有加州坎布里亚 （莫罗湾和卡尤科斯以北）的风情。我猜你是在坎布里亚西村的一家咖啡馆露台上拍的这张照片，离月光石海滩大道大概一两个街区远。

（如果我错了，备选答案是半月湾到更北边的埃尔格拉纳达，但坎布里亚是我的第一直觉！）

正确答案正是在埃尔格拉纳达附近的一家露天酒吧里拍的，ChatGPT只靠一小段道路、一栋无名的房子和背景中的小山猜得非常接近。

看到这里，论坛上专门玩猜照片位置的竞技级玩家也不得不服气，承认AI能记住的信息远超人类大脑能力。

一张照片裁剪放大25次

作者Simon Willison分享了完整的对话记录，包括6分钟的完整深度思考记录。

虽然ChatGPT能猜得很接近，但过程还是很波折。

首先是一个开幕雷击，AI突然“瞎”了认为自己无法直接看到图片。

可能是训练数据包含太多之前单模态语言模型的数据太多了，不过丝毫不影响后面继续发挥。

现浏览一下整体，ChatGPT心里就已经大致有数，后面都是寻找证据。

放大车牌这一步动用了代码工具，

基本锁定了加州作为大方向，开始进一步分析细节。

接下来反复裁剪、放大照片的某个区域，思考它所看到的内容，将其与之前的观察结果进行比较，然后再次裁剪、放大和分析。

它就这样持续思考了6分多钟，期间也有裁剪错位置。

不过每一次都能退回上一步重来。

在深度思考的结尾，ChatGPT甚至尝试把范围缩小到一个具体的餐厅。

整个过程看下来，作者Simon Willison怀疑模型的视觉输入分辨率很低，所以裁剪到更靠近车牌的位置会对思考过程产生重大影响。

但对一张照片裁剪操作25次还是有些夸张了。

o3不是唯一一个能根据照片猜测地理位置的AI模型，但它的独特之处就在于工具使用被集成到推理阶段。

预计其他模型开发商也会跟进这个特性。

后面Simon Willison还发现一点小疏忽，ChatGPT应用其实能获取使用者的大致位置信息，可能是为了改进联网搜索结果加上的。

不过这不影响试验的结果，如果ChatGPT知道位置信息，就不会把真正的答案埃尔格拉纳达放到备选结果里。

为了验证这一点，作者还试验了两张在数千公里外旅行时的照片，且通过截图抹除照片的EXIF信息，o3也都猜对了。

试试你能不能猜出来这两张照片分别在哪里？

ChatGPT悄悄更新，但是不知道更新了什么

就在这半个周末，ChatGPT再次悄悄更新，GPT-4o的智力和个性都得到升级。

不过只有奥特曼的一句话，到底更新的是APP呢还是API呢还是都升级了呢，还要靠员工来补充：只有ChatGPT应用上升级了。

OpenAI这种越来越不透明的现象也被更多人批评。

更详细的信息（也不太详细）发布在ChatGPT帮助中心的更新日志里。

有人感觉到GPT-4o升级之后有什么变化么？欢迎在评论区分享。

参考链接：
[1]https://simonwillison.net/2025/Apr/26/o3-photo-locations/
[2]https://news.ycombinator.com/item?id=43803243
[3]https://x.com/sama/status/1915902652703248679
[4]https://help.openai.com/en/articles/9624314-model-release-notes

Read More