OpenAI bereidt naar verluidt een nieuw AI-model voor genaamd o3, dat tot doel heeft mensachtige redenering te verbeteren door meer tijd te besteden aan het verwerken van antwoorden op complexe, meerstapsvragen, aldus Bloomberg News. Dit werd aangekondigd tijdens een OpenAI-livestream op 20 december. Tijdens het evenement deelde OpenAI hoe o3 een verbetering biedt ten opzichte van het eerdere o1-model, dat in september werd gelanceerd. Ze nodigden ook veiligheids- en beveiligingsonderzoekers uit om de modellen te testen voordat nieuwe software wordt uitgebracht. CEO Sam Altman kondigde plannen aan om in januari een kleinere versie, de o3-mini, te lanceren, gevolgd door het volledige o3-model. Opmerkelijk is dat er geen o2-model is om verwarring met het Britse telecombedrijf O2 te vermijden. De introductie van o3 valt samen met andere AI-ontwikkelingen door grote bedrijven.

Google heeft een nieuwe versie van zijn Gemini-model onthuld, en beweert dat deze twee keer zo snel is en in staat om verschillende cognitieve taken uit te voeren, zoals plannen en handelen namens gebruikers. Meta heeft een release in 2025 voor zijn Llama 4-model aangegeven. Deze bedrijven ervaren echter steeds minder rendement op dure nieuwe modellen, en de focus op "redenering" is een strategie om het tekort aan kwalitatief hoogwaardige, door mensen gemaakte trainingsdata aan te pakken, zoals opgemerkt door Bloomberg. In gerelateerde AI-ontwikkelingen benadrukte PYMNTS een AI-systeem van MIT dat magazijnrobots in staat stelt om pakketten met onregelmatige vormen te hanteren en veilig te bewegen in drukke omgevingen. Terwijl robots repetitieve taken zoals het verplaatsen van pallets efficiënt beheren, richt de nieuwe PRoC3S-technologie zich op de uitdaging van het uitvoeren van complexe taken die menselijke behendigheid en ruimtelijk inzicht vereisen. Erik Nieves, CEO en mede-oprichter van Plus One Robotics, legde aan PYMNTS uit hoe PRoC3S robotfouten vermindert door eerste interpretaties van grote taalmodellen (LLM) te verfijnen met een nauwkeurig begrip van de omgeving. Het creëert een digitale simulatie voor de robot, waardoor de kloof tussen theoretische kennis en praktische toepassing wordt overbrugd, vergelijkbaar met het combineren van klassikaal leren met een ervaringsgerichte excursie.