OpenAI: o4 Mini (batch)

o4-mini ist OpenAIs kompaktes Reasoning-Modell der o-Serie, optimiert für schnelles, wirksames Schlussfolgern bei Programmieraufgaben und visuellen Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text. Sein nützlicher Einsatzbereich ist ein klar umrissenes technisches Problem, das vor der Antwort eine Analyse erfordert: einen Codefehler verstehen, ein Diagramm interpretieren, Fakten aus bereitgestelltem Material verknüpfen oder ein strukturiertes Ergebnis erzeugen, das ein nachfolgender Schritt nutzen kann.

Geben Sie dem Modell bei Programmieraufgaben die relevante Funktion oder die betreffenden Dateien, das erwartete Verhalten und die genaue fehlerauslösende Eingabe oder Fehlermeldung. Ergänzen Sie Angaben zur Programmiersprache und Umgebung, die das Ergebnis beeinflussen. Ein gezielter Auftrag kann nach der wahrscheinlichen Ursache, einem möglichst kleinen Korrekturvorschlag und einer Erklärung fragen, wie die Änderung das beobachtete Verhalten behebt. Legen Sie den Änderungsrahmen fest, etwa den Erhalt der öffentlichen Schnittstelle oder der Bedeutung vorhandener Daten, damit das Ergebnis anhand der tatsächlichen Aufgabe geprüft werden kann.

Stellen Sie bei einem visuellen Problem einen gut lesbaren Screenshot, ein Diagramm oder eine Grafik bereit und benennen Sie die zu beantwortende Frage. Halten Sie aussagekräftige Beschriftungen, Achsen und Einheiten sichtbar. Ein beispielhafter Auftrag besteht darin, zu erläutern, welche Aussage eine Grafik stützt, die verwendeten Beobachtungen zu benennen und sichtbare Werte von Schlussfolgerungen zu trennen. Kennzeichnen Sie bei einer Dokumentaufgabe das Ausgangsmaterial und definieren Sie die Felder oder Beziehungen, die in der Antwort benötigt werden. Auch ein kompaktes Modell profitiert von vollständigen Probleminformationen und einer präzisen Vorgabe für die Ausgabe.

OpenAI nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Reasoning-Token beanspruchen sowohl Kontext- als auch Ausgabekapazität. Lassen Sie deshalb Platz für die Analyse und die abschließende Antwort, statt das gesamte Kontingent mit Eingaben zu füllen. Wird eine Kontext- oder Ausgabegrenze erreicht, kann eine unvollständige Antwort entstehen, bevor überhaupt eine sichtbare Antwort vorliegt. Auch eine kurze abschließende Antwort kann internes Schlussfolgern erfordern; allein ihre sichtbare Länge beschreibt nicht das gesamte Tokenbudget.

Die genaue Modellseite für o4-mini führt die Schnittstellen Chat Completions, Responses, Batch und Feinabstimmung auf. Zu den dokumentierten Funktionen zählen Streaming, Structured Outputs, Funktionsaufrufe, Datei-Uploads, Bildeingaben, Dateisuche, Prompt-Caching und Feinabstimmung. Als Werkzeuge sind Web- und Dateisuche, Codeinterpretation und MCP-Verbindungen aufgeführt. Geben Sie einem Werkzeug der Anwendung einen klaren Zweck und definierte Anforderungen an die Eingabe, liefern Sie das tatsächliche Ergebnis zurück und bitten Sie das Modell, es für die nächste Entscheidung zu nutzen. Ein angeforderter Funktionsaufruf ist ein Handlungsvorschlag, während eine strukturierte abschließende Antwort die Informationen ordnet, die aus der Aufgabe hervorgehen.

OpenAIs Prompting-Leitfaden für die o-Serie empfiehlt ein einfaches, direktes Ziel mit ausdrücklichen Vorgaben und klaren Trennzeichen um das Ausgangsmaterial. Lassen Sie das Modell das Problem intern durchdenken; fordern Sie die benötigte abschließende Erklärung, Belege oder Berechnung an, statt ein Protokoll verborgener Denkprozesse zu verlangen. Versuchen Sie zunächst einen klaren Arbeitsauftrag und ergänzen Sie Beispiele, wenn ein gefordertes Format oder eine Kategoriegrenze unklar bleibt. Ein Beispiel sollte dieselben Regeln wie die tatsächliche Aufgabe zeigen, einschließlich der Darstellung fehlender Informationen.

Für Anwendungen, die optional eine Erklärung des Denkprozesses benötigen, dokumentiert OpenAIs Reasoning-Leitfaden ausdrücklich ausführliche Zusammenfassungen des Denkprozesses für o4-mini. Eine solche Zusammenfassung muss angefordert werden und unterscheidet sich von den nicht offengelegten internen Reasoning-Token. Die abschließende Antwort muss weiterhin das vom Nutzer gewünschte Ergebnis enthalten: beispielsweise einen vorgeschlagenen Codeeingriff, eine Grafikinterpretation mit relevanten Beobachtungen oder extrahierte Felder mit Bezug zum bereitgestellten Material. Stellen Sie aktuelle Fakten bereit, wenn sie wichtig sind, prüfen Sie wesentliche Aussagen anhand ihrer Quelle und halten Sie den Ablauf durch eine abgegrenzte Aufgabe und ein Abschlusskriterium auf das Ziel ausgerichtet.