o4-mini er OpenAI’s kompakte ræsonneringsmodel i o-serien, optimeret til hurtig og effektiv ræsonnering ved programmering og visuelle opgaver. Den modtager tekst og billeder og producerer tekst. Dens nyttige rolle er et klart defineret teknisk problem, der kræver analyse før svaret: at forstå en fejl i kode, fortolke et diagram, forbinde fakta i det leverede materiale eller udarbejde et struktureret resultat, som et efterfølgende trin kan bruge.
Ved programmering skal modellen have den relevante funktion eller de relevante filer, den forventede adfærd og det præcise input eller den fejlmeddelelse, hvor problemet opstår. Medtag oplysninger om programmeringssprog og miljø, som påvirker resultatet. En målrettet anmodning kan efterspørge den sandsynlige årsag, et mindst muligt rettelsesforslag og en forklaring på, hvordan ændringen afhjælper den observerede adfærd. Definer ændringens grænser, eksempelvis at bevare den offentlige grænseflade eller eksisterende datas betydning, så resultatet kan vurderes i forhold til den faktiske opgave.
Til et visuelt problem skal der leveres et læseligt skærmbillede, diagram eller en graf, og spørgsmålet, som det skal besvare, skal angives. Hold betydningsfulde mærkater, akser og enheder synlige. En eksempelopgave er at forklare, hvilken påstand en graf understøtter, identificere de anvendte observationer og skelne mellem en synlig værdi og en slutning. Ved en dokumentopgave skal kildematerialet mærkes, og de felter eller relationer, der kræves i svaret, skal defineres. Også en kompakt model har gavn af fuldstændige oplysninger om problemet og en præcis beskrivelse af det ønskede output.
OpenAI angiver et kontekstvindue på 200.000 tokens, et maksimalt output på 100.000 tokens og en vidensgrænse den 1. juni 2024. Ræsonneringstokens bruger både kontekst- og outputkapacitet, så giv plads til analyse og det endelige svar frem for at fylde hele budgettet med input. Hvis en kontekst- eller outputgrænse nås, kan resultatet være et ufuldstændigt svar, før noget synligt svar foreligger. Et kort slutsvar kan stadig kræve intern ræsonnering; den synlige længde alene beskriver ikke hele tokenbudgettet.
Den specifikke modelside for o4-mini angiver grænseflader til Chat Completions, Responses, Batch og finjustering. De dokumenterede funktioner omfatter streaming, Structured Outputs, funktionskald, filuploads, billedinput, filsøgning, promptcaching og finjustering. Værktøjssættet omfatter web- og filsøgning, kodefortolkning og MCP-forbindelser. Giv et applikationsværktøj et klart formål og en inputkontrakt, returner det faktiske resultat, og bed modellen bruge dette resultat til den næste beslutning. Et anmodet funktionskald er et handlingsforslag, mens et struktureret slutsvar organiserer de oplysninger, som opgaven frembringer.
OpenAI’s vejledning i prompts til o-serien anbefaler et enkelt, direkte mål med eksplicitte krav og tydelige afgrænsningstegn omkring kildemateriale. Lad modellen gennemarbejde problemet internt; anmod om den endelige forklaring, dokumentation eller beregning, der er brug for, frem for en transskription af skjult ræsonnering. Prøv først en klar opgavebeskrivelse, og tilføj derefter eksempler, hvis et påkrævet format eller en kategorigrænse fortsat er uklar. Et eksempel skal demonstrere de samme regler som den faktiske opgave, herunder hvordan manglende oplysninger gengives.
Til applikationer, der har brug for en valgfri forklaring af ræsonneringsprocessen, dokumenterer OpenAI’s ræsonneringsvejledning udtrykkeligt detaljerede ræsonneringsresuméer for o4-mini. Et resumé skal anmodes om og er forskelligt fra de rå interne ræsonneringstokens, som ikke vises. Det endelige svar skal fortsat indeholde det resultat, brugeren bad om: for eksempel en foreslået kodeændring, en graffortolkning med relevante observationer eller udtrukne felter med forbindelse til det leverede materiale. Lever aktuelle fakta, når de er vigtige, kontroller væsentlige påstande mod deres kilde, og hold arbejdsgangen fokuseret med en afgrænset opgave og et afslutningskriterium.
", "aboutText": "o4-mini er OpenAI’s kompakte ræsonneringsmodel i o-serien, optimeret til hurtig og effektiv ræsonnering ved programmering og visuelle opgaver. Den modtager tekst og billeder og producerer tekst. Dens nyttige rolle er et klart defineret teknisk problem, der kræver analyse før svaret: at forstå en fejl i kode, fortolke et diagram, forbinde fakta i det leverede materiale eller udarbejde et struktureret resultat, som et efterfølgende trin kan bruge.\n\nVed programmering skal modellen have den relevante funktion eller de relevante filer, den forventede adfærd og det præcise input eller den fejlmeddelelse, hvor problemet opstår. Medtag oplysninger om programmeringssprog og miljø, som påvirker resultatet. En målrettet anmodning kan efterspørge den sandsynlige årsag, et mindst muligt rettelsesforslag og en forklaring på, hvordan ændringen afhjælper den observerede adfærd. Definer ændringens grænser, eksempelvis at bevare den offentlige grænseflade eller eksisterende datas betydning, så resultatet kan vurderes i forhold til den faktiske opgave.\n\nTil et visuelt problem skal der leveres et læseligt skærmbillede, diagram eller en graf, og spørgsmålet, som det skal besvare, skal angives. Hold betydningsfulde mærkater, akser og enheder synlige. En eksempelopgave er at forklare, hvilken påstand en graf understøtter, identificere de anvendte observationer og skelne mellem en synlig værdi og en slutning. Ved en dokumentopgave skal kildematerialet mærkes, og de felter eller relationer, der kræves i svaret, skal defineres. Også en kompakt model har gavn af fuldstændige oplysninger om problemet og en præcis beskrivelse af det ønskede output.\n\nOpenAI angiver et kontekstvindue på 200.000 tokens, et maksimalt output på 100.000 tokens og en vidensgrænse den 1. juni 2024. Ræsonneringstokens bruger både kontekst- og outputkapacitet, så giv plads til analyse og det endelige svar frem for at fylde hele budgettet med input. Hvis en kontekst- eller outputgrænse nås, kan resultatet være et ufuldstændigt svar, før noget synligt svar foreligger. Et kort slutsvar kan stadig kræve intern ræsonnering; den synlige længde alene beskriver ikke hele tokenbudgettet.\n\nDen specifikke modelside for o4-mini angiver grænseflader til Chat Completions, Responses, Batch og finjustering. De dokumenterede funktioner omfatter streaming, Structured Outputs, funktionskald, filuploads, billedinput, filsøgning, promptcaching og finjustering. Værktøjssættet omfatter web- og filsøgning, kodefortolkning og MCP-forbindelser. Giv et applikationsværktøj et klart formål og en inputkontrakt, returner det faktiske resultat, og bed modellen bruge dette resultat til den næste beslutning. Et anmodet funktionskald er et handlingsforslag, mens et struktureret slutsvar organiserer de oplysninger, som opgaven frembringer.\n\nOpenAI’s vejledning i prompts til o-serien anbefaler et enkelt, direkte mål med eksplicitte krav og tydelige afgrænsningstegn omkring kildemateriale. Lad modellen gennemarbejde problemet internt; anmod om den endelige forklaring, dokumentation eller beregning, der er brug for, frem for en transskription af skjult ræsonnering. Prøv først en klar opgavebeskrivelse, og tilføj derefter eksempler, hvis et påkrævet format eller en kategorigrænse fortsat er uklar. Et eksempel skal demonstrere de samme regler som den faktiske opgave, herunder hvordan manglende oplysninger gengives.\n\nTil applikationer, der har brug for en valgfri forklaring af ræsonneringsprocessen, dokumenterer OpenAI’s ræsonneringsvejledning udtrykkeligt detaljerede ræsonneringsresuméer for o4-mini. Et resumé skal anmodes om og er forskelligt fra de rå interne ræsonneringstokens, som ikke vises. Det endelige svar skal fortsat indeholde det resultat, brugeren bad om: for eksempel en foreslået kodeændring, en graffortolkning med relevante observationer eller udtrukne felter med forbindelse til det leverede materiale. Lever aktuelle fakta, når de er vigtige, kontroller væsentlige påstande mod deres kilde, og hold arbejdsgangen fokuseret med en afgrænset opgave og et afslutningskriterium.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "774a3be3c353ed189f4cd07440e03602e02806f4baa1739a735852178e0fdb97", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "openai/o4-mini:batchOpenAI o4-mini er en kompakt ræsonneringsmodel med fokus på effektiv programmering og visuelle opgaver. Den modtager tekst og billeder, returnerer tekst og understøtter strukturerede svar og værktøjer til at løse et afgrænset teknisk problem eller udlede en nyttig konklusion fra det leverede materiale.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
o4-mini er OpenAI’s kompakte ræsonneringsmodel i o-serien, optimeret til hurtig og effektiv ræsonnering ved programmering og visuelle opgaver. Den modtager tekst og billeder og producerer tekst. Dens nyttige rolle er et klart defineret teknisk problem, der kræver analyse før svaret: at forstå en fejl i kode, fortolke et diagram, forbinde fakta i det leverede materiale eller udarbejde et struktureret resultat, som et efterfølgende trin kan bruge.
Ved programmering skal modellen have den relevante funktion eller de relevante filer, den forventede adfærd og det præcise input eller den fejlmeddelelse, hvor problemet opstår. Medtag oplysninger om programmeringssprog og miljø, som påvirker resultatet. En målrettet anmodning kan efterspørge den sandsynlige årsag, et mindst muligt rettelsesforslag og en forklaring på, hvordan ændringen afhjælper den observerede adfærd. Definer ændringens grænser, eksempelvis at bevare den offentlige grænseflade eller eksisterende datas betydning, så resultatet kan vurderes i forhold til den faktiske opgave.
Til et visuelt problem skal der leveres et læseligt skærmbillede, diagram eller en graf, og spørgsmålet, som det skal besvare, skal angives. Hold betydningsfulde mærkater, akser og enheder synlige. En eksempelopgave er at forklare, hvilken påstand en graf understøtter, identificere de anvendte observationer og skelne mellem en synlig værdi og en slutning. Ved en dokumentopgave skal kildematerialet mærkes, og de felter eller relationer, der kræves i svaret, skal defineres. Også en kompakt model har gavn af fuldstændige oplysninger om problemet og en præcis beskrivelse af det ønskede output.
OpenAI angiver et kontekstvindue på 200.000 tokens, et maksimalt output på 100.000 tokens og en vidensgrænse den 1. juni 2024. Ræsonneringstokens bruger både kontekst- og outputkapacitet, så giv plads til analyse og det endelige svar frem for at fylde hele budgettet med input. Hvis en kontekst- eller outputgrænse nås, kan resultatet være et ufuldstændigt svar, før noget synligt svar foreligger. Et kort slutsvar kan stadig kræve intern ræsonnering; den synlige længde alene beskriver ikke hele tokenbudgettet.
Den specifikke modelside for o4-mini angiver grænseflader til Chat Completions, Responses, Batch og finjustering. De dokumenterede funktioner omfatter streaming, Structured Outputs, funktionskald, filuploads, billedinput, filsøgning, promptcaching og finjustering. Værktøjssættet omfatter web- og filsøgning, kodefortolkning og MCP-forbindelser. Giv et applikationsværktøj et klart formål og en inputkontrakt, returner det faktiske resultat, og bed modellen bruge dette resultat til den næste beslutning. Et anmodet funktionskald er et handlingsforslag, mens et struktureret slutsvar organiserer de oplysninger, som opgaven frembringer.
OpenAI’s vejledning i prompts til o-serien anbefaler et enkelt, direkte mål med eksplicitte krav og tydelige afgrænsningstegn omkring kildemateriale. Lad modellen gennemarbejde problemet internt; anmod om den endelige forklaring, dokumentation eller beregning, der er brug for, frem for en transskription af skjult ræsonnering. Prøv først en klar opgavebeskrivelse, og tilføj derefter eksempler, hvis et påkrævet format eller en kategorigrænse fortsat er uklar. Et eksempel skal demonstrere de samme regler som den faktiske opgave, herunder hvordan manglende oplysninger gengives.
Til applikationer, der har brug for en valgfri forklaring af ræsonneringsprocessen, dokumenterer OpenAI’s ræsonneringsvejledning udtrykkeligt detaljerede ræsonneringsresuméer for o4-mini. Et resumé skal anmodes om og er forskelligt fra de rå interne ræsonneringstokens, som ikke vises. Det endelige svar skal fortsat indeholde det resultat, brugeren bad om: for eksempel en foreslået kodeændring, en graffortolkning med relevante observationer eller udtrukne felter med forbindelse til det leverede materiale. Lever aktuelle fakta, når de er vigtige, kontroller væsentlige påstande mod deres kilde, og hold arbejdsgangen fokuseret med en afgrænset opgave og et afslutningskriterium.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser openai/o4-mini:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser openai/o4-mini:batch, openai/o4-mini | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser openai | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0011 / 1K tokens Output · Outputtokens $0.0044 / 1K tokens Input · Cachelæsning $0.000275 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0011 / 1K tokens Output · Outputtokens $0.0044 / 1K tokens Input · Cachelæsning $0.000275 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"openai/o4-mini:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['openai/o4-mini:batch', 'openai/o4-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/o4-mini:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra openai/o4-mini:batch
Brug metodestierne vist ovenfor.