o4-mini (High) bezeichnet OpenAIs o4-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf Programmierung, Mathematik und visuellen Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text. High beschreibt den Umfang des Schlussfolgerns bei der Aufgabe und wahrt damit die Identität des Basismodells o4-mini, statt eine neue eigenständige Modelledition zu bezeichnen.
Ein praktischer Einsatz ist ein technisches Problem mit mehreren Bedingungen, die die Lösung beeinflussen. Stellen Sie die vollständige Aufgabenstellung, den relevanten Code oder die mathematischen Definitionen sowie die Anforderungen bereit, die die Antwort erfüllen muss. Ein beispielhafter Auftrag besteht darin, zwei algorithmische Ansätze zu vergleichen, die jeweiligen Voraussetzungen zu erläutern und eine Lösung vorzuschlagen, die auf die angegebenen Ein- und Ausgaben abgestimmt ist. Fragen Sie nach der abschließenden Schlussfolgerung und den zur Prüfung benötigten Belegen, statt jeden internen Gedanken vorzugeben.
Stellen Sie bei einer visuellen Aufgabe das Diagramm, die Grafik oder den Screenshot bereit und erläutern Sie das wichtige Detail. Die Veröffentlichung des Herstellers zu o3/o4-mini beschreibt das Schlussfolgern anhand von Bildern und den Einsatz von Werkzeugen, wenn diese nützliche Belege liefern. Eine schriftliche Frage kann den visuellen Zusammenhang mit einer mathematischen oder technischen Bedingung verknüpfen. Wenn die Umgebung eine Berechnung oder ein anderes Werkzeugergebnis liefert, bewahren Sie die tatsächliche Ausgabe, damit die nächste Entscheidung auf einer konkreten Grundlage beruht.
OpenAIs Spezifikation für o4-mini nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Sowohl das Schlussfolgern als auch die sichtbare Antwort beanspruchen Tokenplatz. Die Stufe High ermöglicht mehr Reasoning-Arbeit für die Aufgabe und kann mehr Zeit erfordern; sie ist von der gewünschten Länge oder Form der abschließenden Antwort getrennt. Ordnen Sie das nützliche Material und lassen Sie Platz für Analyse und Ergebnis.
Der Hersteller nennt die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Datei- und Bildeingaben, Dateisuche, Prompt-Caching und Möglichkeiten zur Feinabstimmung des Modells. Zu den dokumentierten Werkzeugen gehören Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Websuche. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück; die direkte Ausgabe des Modells bleibt Text.
Definieren Sie ein zur Aufgabe passendes Abschlusskriterium. Fordern Sie bei einem Programm das betroffene Verhalten, die vorgeschlagenen Änderungen und die Ergebnisse tatsächlich durchgeführter Prüfungen an. Geben Sie bei einer mathematischen oder visuellen Analyse die erforderliche Notation, Genauigkeit oder Schlussfolgerung sowie die begründenden Bedingungen an. Ein nützliches fertiges Ergebnis ist eine konkrete Lösung, ein Codevorschlag oder eine strukturierte Erklärung, deren wichtige Entscheidungen anhand des bereitgestellten Problems und der Belege geprüft werden können.
", "aboutText": "o4-mini (High) bezeichnet OpenAIs o4-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf Programmierung, Mathematik und visuellen Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text. High beschreibt den Umfang des Schlussfolgerns bei der Aufgabe und wahrt damit die Identität des Basismodells o4-mini, statt eine neue eigenständige Modelledition zu bezeichnen.\n\nEin praktischer Einsatz ist ein technisches Problem mit mehreren Bedingungen, die die Lösung beeinflussen. Stellen Sie die vollständige Aufgabenstellung, den relevanten Code oder die mathematischen Definitionen sowie die Anforderungen bereit, die die Antwort erfüllen muss. Ein beispielhafter Auftrag besteht darin, zwei algorithmische Ansätze zu vergleichen, die jeweiligen Voraussetzungen zu erläutern und eine Lösung vorzuschlagen, die auf die angegebenen Ein- und Ausgaben abgestimmt ist. Fragen Sie nach der abschließenden Schlussfolgerung und den zur Prüfung benötigten Belegen, statt jeden internen Gedanken vorzugeben.\n\nStellen Sie bei einer visuellen Aufgabe das Diagramm, die Grafik oder den Screenshot bereit und erläutern Sie das wichtige Detail. Die Veröffentlichung des Herstellers zu o3/o4-mini beschreibt das Schlussfolgern anhand von Bildern und den Einsatz von Werkzeugen, wenn diese nützliche Belege liefern. Eine schriftliche Frage kann den visuellen Zusammenhang mit einer mathematischen oder technischen Bedingung verknüpfen. Wenn die Umgebung eine Berechnung oder ein anderes Werkzeugergebnis liefert, bewahren Sie die tatsächliche Ausgabe, damit die nächste Entscheidung auf einer konkreten Grundlage beruht.\n\nOpenAIs Spezifikation für o4-mini nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Sowohl das Schlussfolgern als auch die sichtbare Antwort beanspruchen Tokenplatz. Die Stufe High ermöglicht mehr Reasoning-Arbeit für die Aufgabe und kann mehr Zeit erfordern; sie ist von der gewünschten Länge oder Form der abschließenden Antwort getrennt. Ordnen Sie das nützliche Material und lassen Sie Platz für Analyse und Ergebnis.\n\nDer Hersteller nennt die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Datei- und Bildeingaben, Dateisuche, Prompt-Caching und Möglichkeiten zur Feinabstimmung des Modells. Zu den dokumentierten Werkzeugen gehören Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Websuche. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück; die direkte Ausgabe des Modells bleibt Text.\n\nDefinieren Sie ein zur Aufgabe passendes Abschlusskriterium. Fordern Sie bei einem Programm das betroffene Verhalten, die vorgeschlagenen Änderungen und die Ergebnisse tatsächlich durchgeführter Prüfungen an. Geben Sie bei einer mathematischen oder visuellen Analyse die erforderliche Notation, Genauigkeit oder Schlussfolgerung sowie die begründenden Bedingungen an. Ein nützliches fertiges Ergebnis ist eine konkrete Lösung, ein Codevorschlag oder eine strukturierte Erklärung, deren wichtige Entscheidungen anhand des bereitgestellten Problems und der Belege geprüft werden können.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Choose a pair-sum algorithm\n\nDesign a Python function has_pair(nums, target) that returns whether two distinct list positions sum to target. Inputs are integers; duplicates are allowed; do not mutate the list. Compare a quadratic scan with a set-based approach, return the chosen implementation and tests for [3,3], target 6, a single 3 and an empty list.A concise complexity comparison, an implementation and tests demonstrating distinct-position handling and duplicate values.Check that [3,3] can succeed while a single [3] cannot reuse the same position.openai/o4-mini-higho4-mini mit der Reasoning-Stufe High für Programmierung, Mathematik und visuelle Aufgaben mit miteinander verknüpften Bedingungen. Es nimmt Text und Bilder entgegen und gibt Text aus; Werkzeuge stehen über die Arbeitsumgebung der Anwendung zur Verfügung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o4-mini (High) bezeichnet OpenAIs o4-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf Programmierung, Mathematik und visuellen Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text. High beschreibt den Umfang des Schlussfolgerns bei der Aufgabe und wahrt damit die Identität des Basismodells o4-mini, statt eine neue eigenständige Modelledition zu bezeichnen.
Ein praktischer Einsatz ist ein technisches Problem mit mehreren Bedingungen, die die Lösung beeinflussen. Stellen Sie die vollständige Aufgabenstellung, den relevanten Code oder die mathematischen Definitionen sowie die Anforderungen bereit, die die Antwort erfüllen muss. Ein beispielhafter Auftrag besteht darin, zwei algorithmische Ansätze zu vergleichen, die jeweiligen Voraussetzungen zu erläutern und eine Lösung vorzuschlagen, die auf die angegebenen Ein- und Ausgaben abgestimmt ist. Fragen Sie nach der abschließenden Schlussfolgerung und den zur Prüfung benötigten Belegen, statt jeden internen Gedanken vorzugeben.
Stellen Sie bei einer visuellen Aufgabe das Diagramm, die Grafik oder den Screenshot bereit und erläutern Sie das wichtige Detail. Die Veröffentlichung des Herstellers zu o3/o4-mini beschreibt das Schlussfolgern anhand von Bildern und den Einsatz von Werkzeugen, wenn diese nützliche Belege liefern. Eine schriftliche Frage kann den visuellen Zusammenhang mit einer mathematischen oder technischen Bedingung verknüpfen. Wenn die Umgebung eine Berechnung oder ein anderes Werkzeugergebnis liefert, bewahren Sie die tatsächliche Ausgabe, damit die nächste Entscheidung auf einer konkreten Grundlage beruht.
OpenAIs Spezifikation für o4-mini nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Sowohl das Schlussfolgern als auch die sichtbare Antwort beanspruchen Tokenplatz. Die Stufe High ermöglicht mehr Reasoning-Arbeit für die Aufgabe und kann mehr Zeit erfordern; sie ist von der gewünschten Länge oder Form der abschließenden Antwort getrennt. Ordnen Sie das nützliche Material und lassen Sie Platz für Analyse und Ergebnis.
Der Hersteller nennt die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Datei- und Bildeingaben, Dateisuche, Prompt-Caching und Möglichkeiten zur Feinabstimmung des Modells. Zu den dokumentierten Werkzeugen gehören Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Websuche. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück; die direkte Ausgabe des Modells bleibt Text.
Definieren Sie ein zur Aufgabe passendes Abschlusskriterium. Fordern Sie bei einem Programm das betroffene Verhalten, die vorgeschlagenen Änderungen und die Ergebnisse tatsächlich durchgeführter Prüfungen an. Geben Sie bei einer mathematischen oder visuellen Analyse die erforderliche Notation, Genauigkeit oder Schlussfolgerung sowie die begründenden Bedingungen an. Ein nützliches fertiges Ergebnis ist eine konkrete Lösung, ein Codevorschlag oder eine strukturierte Erklärung, deren wichtige Entscheidungen anhand des bereitgestellten Problems und der Belege geprüft werden können.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o4-mini-high | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00055 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00055 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/o4-mini-high", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='openai/o4-mini-high',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='openai/o4-mini-high',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/o4-mini-high
Verwenden Sie die oben angezeigten Methodenpfade.
openai/o4-mini-higho4-mini mit der Reasoning-Stufe High für Programmierung, Mathematik und visuelle Aufgaben mit miteinander verknüpften Bedingungen. Es nimmt Text und Bilder entgegen und gibt Text aus; Werkzeuge stehen über die Arbeitsumgebung der Anwendung zur Verfügung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
o4-mini (High) bezeichnet OpenAIs o4-mini mit hohem Reasoning-Aufwand. Das Basismodell ist ein kleineres Reasoning-Modell der o-Serie mit Schwerpunkt auf Programmierung, Mathematik und visuellen Aufgaben. Es nimmt Text und Bilder entgegen und erzeugt Text. High beschreibt den Umfang des Schlussfolgerns bei der Aufgabe und wahrt damit die Identität des Basismodells o4-mini, statt eine neue eigenständige Modelledition zu bezeichnen.
Ein praktischer Einsatz ist ein technisches Problem mit mehreren Bedingungen, die die Lösung beeinflussen. Stellen Sie die vollständige Aufgabenstellung, den relevanten Code oder die mathematischen Definitionen sowie die Anforderungen bereit, die die Antwort erfüllen muss. Ein beispielhafter Auftrag besteht darin, zwei algorithmische Ansätze zu vergleichen, die jeweiligen Voraussetzungen zu erläutern und eine Lösung vorzuschlagen, die auf die angegebenen Ein- und Ausgaben abgestimmt ist. Fragen Sie nach der abschließenden Schlussfolgerung und den zur Prüfung benötigten Belegen, statt jeden internen Gedanken vorzugeben.
Stellen Sie bei einer visuellen Aufgabe das Diagramm, die Grafik oder den Screenshot bereit und erläutern Sie das wichtige Detail. Die Veröffentlichung des Herstellers zu o3/o4-mini beschreibt das Schlussfolgern anhand von Bildern und den Einsatz von Werkzeugen, wenn diese nützliche Belege liefern. Eine schriftliche Frage kann den visuellen Zusammenhang mit einer mathematischen oder technischen Bedingung verknüpfen. Wenn die Umgebung eine Berechnung oder ein anderes Werkzeugergebnis liefert, bewahren Sie die tatsächliche Ausgabe, damit die nächste Entscheidung auf einer konkreten Grundlage beruht.
OpenAIs Spezifikation für o4-mini nennt ein Kontextfenster von 200.000 Token, eine maximale Ausgabe von 100.000 Token und einen Wissensstand bis zum 1. Juni 2024. Sowohl das Schlussfolgern als auch die sichtbare Antwort beanspruchen Tokenplatz. Die Stufe High ermöglicht mehr Reasoning-Arbeit für die Aufgabe und kann mehr Zeit erfordern; sie ist von der gewünschten Länge oder Form der abschließenden Antwort getrennt. Ordnen Sie das nützliche Material und lassen Sie Platz für Analyse und Ergebnis.
Der Hersteller nennt die Schnittstellen Responses, Chat Completions und Batch sowie Streaming, Structured Outputs, Funktionsaufrufe, Datei- und Bildeingaben, Dateisuche, Prompt-Caching und Möglichkeiten zur Feinabstimmung des Modells. Zu den dokumentierten Werkzeugen gehören Funktionen, Dateisuche, Codeinterpretation, MCP-Verbindungen und Websuche. Anwendungen stellen ihre Operationen bereit, führen ihre eigenen Aktionen aus und liefern tatsächliche Ergebnisse zurück; die direkte Ausgabe des Modells bleibt Text.
Definieren Sie ein zur Aufgabe passendes Abschlusskriterium. Fordern Sie bei einem Programm das betroffene Verhalten, die vorgeschlagenen Änderungen und die Ergebnisse tatsächlich durchgeführter Prüfungen an. Geben Sie bei einer mathematischen oder visuellen Analyse die erforderliche Notation, Genauigkeit oder Schlussfolgerung sowie die begründenden Bedingungen an. Ein nützliches fertiges Ergebnis ist eine konkrete Lösung, ein Codevorschlag oder eine strukturierte Erklärung, deren wichtige Entscheidungen anhand des bereitgestellten Problems und der Belege geprüft werden können.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits openai/o4-mini-high | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00055 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0088 / 1K Token Eingabe · Cache-Lesen $0.00055 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "openai/o4-mini-high",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o4-mini-high', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'openai/o4-mini-high', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra openai/o4-mini-high
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Choose a pair-sum algorithm\n\nDesign a Python function has_pair(nums, target) that returns whether two distinct list positions sum to target. Inputs are integers; duplicates are allowed; do not mutate the list. Compare a quadratic scan with a set-based approach, return the chosen implementation and tests for [3,3], target 6, a single 3 and an empty list.A concise complexity comparison, an implementation and tests demonstrating distinct-position handling and duplicate values.Check that [3,3] can succeed while a single [3] cannot reuse the same position.