OpenAI o3-mini es un modelo compacto de razonamiento de la serie o centrado en resolver problemas técnicos, incluidos los de ciencia, matemáticas y programación. Acepta texto y produce texto, con razonamiento interno adicional antes de la respuesta visible. Úsalo para un problema matemático bien definido, un análisis algorítmico, una revisión de código o una comparación técnica cuya conclusión dependa de varias condiciones. El esfuerzo de razonamiento se puede configurar para la edición base de o3-mini; un ajuste predefinido o3-mini High selecciona un esfuerzo alto, sin utilizar pesos de modelo distintos.
El fabricante documenta los niveles de esfuerzo de razonamiento low, medium y high. Un esfuerzo mayor puede ayudar a resolver un problema exigente y requerir más tiempo de generación, aunque la respuesta visible deseada siga siendo breve. Proporciona al modelo la tarea, las restricciones y las especificaciones de salida, en lugar de prescribir una larga cadena de pensamientos intermedios. Para un problema algorítmico, aporta los límites de entrada, el comportamiento requerido y los casos que determinan la corrección. Para matemáticas, define las variables, los dominios, la notación y el resultado exigido.
OpenAI indica una ventana de contexto de 200,000 tokens, un presupuesto máximo de salida de 100,000 tokens y una fecha de corte de conocimientos del 1 de octubre de 2023. Los tokens de razonamiento consumen el contexto disponible y el presupuesto de salida generada antes de la respuesta final, por lo que ese máximo no garantiza tal cantidad de tokens de respuesta visible. Deja espacio tanto para el análisis como para el resultado solicitado. Una solicitud puede agotar su asignación de tokens generados antes de devolver texto visible útil si el presupuesto es demasiado pequeño para el problema.
La modalidad de entrada nativa es texto; no incluye visión. Si una tarea parte de un diagrama o una captura de pantalla, proporciona sus condiciones relevantes por escrito. El proveedor incluye la carga de archivos y la búsqueda en archivos en los flujos de trabajo con herramientas, que pueden aportar material textual pertinente sin cambiar la modalidad nativa del modelo. Identifica los pasajes de las fuentes o el contenido de los archivos necesarios para responder, en lugar de suponer que cada adjunto aporta pruebas útiles automáticamente.
El modelo admite Structured Outputs, llamadas a funciones y respuestas en flujo; la ficha del proveedor incluye las interfaces Responses, Chat Completions, Assistants y Batch. En una tarea estructurada, especifica los campos obligatorios y cómo debe representarse la información ausente. En un flujo de trabajo con herramientas, el modelo propone una función y sus argumentos; la aplicación ejecuta la acción y devuelve la observación real. Distingue una operación propuesta de otra cuyo resultado ya se ha recibido.
El conjunto actual de herramientas del proveedor también incluye búsqueda en archivos, interpretación de código, conexiones MCP y herramientas de generación de imágenes. Esas herramientas configuradas tienen sus propias operaciones; no convierten la respuesta textual directa de o3-mini en una salida nativa de imagen o audio. Para una tarea de programación, proporciona el código, el fallo observado y los requisitos; después, pide una propuesta de cambio con una explicación de los casos que resuelve. Si hay resultados de ejecución disponibles, apórtalos como pruebas para la siguiente revisión, en lugar de tratar el código sin ejecutar como un resultado completado.
Un entregable final útil puede ser una fórmula, una comparación justificada, una propuesta de código o un resultado técnico estructurado que relacione su conclusión con las condiciones originales. Para una consulta posterior, indica las nuevas pruebas y la parte de la respuesta que necesita revisión. Conserva la conversación pertinente y las observaciones de las herramientas para que la siguiente respuesta pueda trabajar con resultados reales. Este modelo de razonamiento compacto resulta práctico cuando la tarea requiere análisis, restricciones claras y un entregable textual concreto, sin suposiciones infundadas sobre acciones externas.
", "aboutText": "OpenAI o3-mini es un modelo compacto de razonamiento de la serie o centrado en resolver problemas técnicos, incluidos los de ciencia, matemáticas y programación. Acepta texto y produce texto, con razonamiento interno adicional antes de la respuesta visible. Úsalo para un problema matemático bien definido, un análisis algorítmico, una revisión de código o una comparación técnica cuya conclusión dependa de varias condiciones. El esfuerzo de razonamiento se puede configurar para la edición base de o3-mini; un ajuste predefinido o3-mini High selecciona un esfuerzo alto, sin utilizar pesos de modelo distintos.\n\nEl fabricante documenta los niveles de esfuerzo de razonamiento low, medium y high. Un esfuerzo mayor puede ayudar a resolver un problema exigente y requerir más tiempo de generación, aunque la respuesta visible deseada siga siendo breve. Proporciona al modelo la tarea, las restricciones y las especificaciones de salida, en lugar de prescribir una larga cadena de pensamientos intermedios. Para un problema algorítmico, aporta los límites de entrada, el comportamiento requerido y los casos que determinan la corrección. Para matemáticas, define las variables, los dominios, la notación y el resultado exigido.\n\nOpenAI indica una ventana de contexto de 200,000 tokens, un presupuesto máximo de salida de 100,000 tokens y una fecha de corte de conocimientos del 1 de octubre de 2023. Los tokens de razonamiento consumen el contexto disponible y el presupuesto de salida generada antes de la respuesta final, por lo que ese máximo no garantiza tal cantidad de tokens de respuesta visible. Deja espacio tanto para el análisis como para el resultado solicitado. Una solicitud puede agotar su asignación de tokens generados antes de devolver texto visible útil si el presupuesto es demasiado pequeño para el problema.\n\nLa modalidad de entrada nativa es texto; no incluye visión. Si una tarea parte de un diagrama o una captura de pantalla, proporciona sus condiciones relevantes por escrito. El proveedor incluye la carga de archivos y la búsqueda en archivos en los flujos de trabajo con herramientas, que pueden aportar material textual pertinente sin cambiar la modalidad nativa del modelo. Identifica los pasajes de las fuentes o el contenido de los archivos necesarios para responder, en lugar de suponer que cada adjunto aporta pruebas útiles automáticamente.\n\nEl modelo admite Structured Outputs, llamadas a funciones y respuestas en flujo; la ficha del proveedor incluye las interfaces Responses, Chat Completions, Assistants y Batch. En una tarea estructurada, especifica los campos obligatorios y cómo debe representarse la información ausente. En un flujo de trabajo con herramientas, el modelo propone una función y sus argumentos; la aplicación ejecuta la acción y devuelve la observación real. Distingue una operación propuesta de otra cuyo resultado ya se ha recibido.\n\nEl conjunto actual de herramientas del proveedor también incluye búsqueda en archivos, interpretación de código, conexiones MCP y herramientas de generación de imágenes. Esas herramientas configuradas tienen sus propias operaciones; no convierten la respuesta textual directa de o3-mini en una salida nativa de imagen o audio. Para una tarea de programación, proporciona el código, el fallo observado y los requisitos; después, pide una propuesta de cambio con una explicación de los casos que resuelve. Si hay resultados de ejecución disponibles, apórtalos como pruebas para la siguiente revisión, en lugar de tratar el código sin ejecutar como un resultado completado.\n\nUn entregable final útil puede ser una fórmula, una comparación justificada, una propuesta de código o un resultado técnico estructurado que relacione su conclusión con las condiciones originales. Para una consulta posterior, indica las nuevas pruebas y la parte de la respuesta que necesita revisión. Conserva la conversación pertinente y las observaciones de las herramientas para que la siguiente respuesta pueda trabajar con resultados reales. Este modelo de razonamiento compacto resulta práctico cuando la tarea requiere análisis, restricciones claras y un entregable textual concreto, sin suposiciones infundadas sobre acciones externas.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8176dfac5e3c48913350cdd15b7e57490881aad6db6883a571398fb6788645b1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "openai/o3-mini:batchOpenAI o3-mini es un modelo de razonamiento textual para ciencia, matemáticas y programación. Ofrece niveles de esfuerzo de razonamiento low, medium y high, un contexto de 200K, salidas estructuradas y flujos de trabajo con herramientas, con un presupuesto máximo de salida generada de 100K tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
OpenAI o3-mini es un modelo compacto de razonamiento de la serie o centrado en resolver problemas técnicos, incluidos los de ciencia, matemáticas y programación. Acepta texto y produce texto, con razonamiento interno adicional antes de la respuesta visible. Úsalo para un problema matemático bien definido, un análisis algorítmico, una revisión de código o una comparación técnica cuya conclusión dependa de varias condiciones. El esfuerzo de razonamiento se puede configurar para la edición base de o3-mini; un ajuste predefinido o3-mini High selecciona un esfuerzo alto, sin utilizar pesos de modelo distintos.
El fabricante documenta los niveles de esfuerzo de razonamiento low, medium y high. Un esfuerzo mayor puede ayudar a resolver un problema exigente y requerir más tiempo de generación, aunque la respuesta visible deseada siga siendo breve. Proporciona al modelo la tarea, las restricciones y las especificaciones de salida, en lugar de prescribir una larga cadena de pensamientos intermedios. Para un problema algorítmico, aporta los límites de entrada, el comportamiento requerido y los casos que determinan la corrección. Para matemáticas, define las variables, los dominios, la notación y el resultado exigido.
OpenAI indica una ventana de contexto de 200,000 tokens, un presupuesto máximo de salida de 100,000 tokens y una fecha de corte de conocimientos del 1 de octubre de 2023. Los tokens de razonamiento consumen el contexto disponible y el presupuesto de salida generada antes de la respuesta final, por lo que ese máximo no garantiza tal cantidad de tokens de respuesta visible. Deja espacio tanto para el análisis como para el resultado solicitado. Una solicitud puede agotar su asignación de tokens generados antes de devolver texto visible útil si el presupuesto es demasiado pequeño para el problema.
La modalidad de entrada nativa es texto; no incluye visión. Si una tarea parte de un diagrama o una captura de pantalla, proporciona sus condiciones relevantes por escrito. El proveedor incluye la carga de archivos y la búsqueda en archivos en los flujos de trabajo con herramientas, que pueden aportar material textual pertinente sin cambiar la modalidad nativa del modelo. Identifica los pasajes de las fuentes o el contenido de los archivos necesarios para responder, en lugar de suponer que cada adjunto aporta pruebas útiles automáticamente.
El modelo admite Structured Outputs, llamadas a funciones y respuestas en flujo; la ficha del proveedor incluye las interfaces Responses, Chat Completions, Assistants y Batch. En una tarea estructurada, especifica los campos obligatorios y cómo debe representarse la información ausente. En un flujo de trabajo con herramientas, el modelo propone una función y sus argumentos; la aplicación ejecuta la acción y devuelve la observación real. Distingue una operación propuesta de otra cuyo resultado ya se ha recibido.
El conjunto actual de herramientas del proveedor también incluye búsqueda en archivos, interpretación de código, conexiones MCP y herramientas de generación de imágenes. Esas herramientas configuradas tienen sus propias operaciones; no convierten la respuesta textual directa de o3-mini en una salida nativa de imagen o audio. Para una tarea de programación, proporciona el código, el fallo observado y los requisitos; después, pide una propuesta de cambio con una explicación de los casos que resuelve. Si hay resultados de ejecución disponibles, apórtalos como pruebas para la siguiente revisión, en lugar de tratar el código sin ejecutar como un resultado completado.
Un entregable final útil puede ser una fórmula, una comparación justificada, una propuesta de código o un resultado técnico estructurado que relacione su conclusión con las condiciones originales. Para una consulta posterior, indica las nuevas pruebas y la parte de la respuesta que necesita revisión. Conserva la conversación pertinente y las observaciones de las herramientas para que la siguiente respuesta pueda trabajar con resultados reales. Este modelo de razonamiento compacto resulta práctico cuando la tarea requiere análisis, restricciones claras y un entregable textual concreto, sin suposiciones infundadas sobre acciones externas.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/o3-mini:batch | Predeterminado— |
Camporequests | Tipobatch_item[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Camporequests[].custom_id | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores y límites 24h | Predeterminado— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores y límites openai/o3-mini:batch, openai/o3-mini | Predeterminado— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores y límites openai | Predeterminado— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores y límites false, null | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratoendpoint, model, requests |
Parámetromaterial_types | Contratotext |
Parámetrorepresentation | Contratorequests[] en línea; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoQuien realiza la llamada puede leer localmente el JSONL UTF-8 real e incorporarlo a requests[]. No se utiliza el campo purpose para cargas, ni input_file_id ni referencias a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST. |
Parámetroserialization_order | Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final |
Parámetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parámetroschema_scope | ContratoCuerpos de solicitudes de texto de Chat Completions dentro de la estructura Batch en línea documentada. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · El response.id real de la respuesta de creación original; el mismo usuario, clave y grupo
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0011 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché $0.00055 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0011 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché $0.00055 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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/o3-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/o3-mini:batch', 'openai/o3-mini']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"openai/o3-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 de results[].response.body en línea
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\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo del estado original, cada result/custom_id y el cuerpo completo de la respuesta o del error. Guarda results[] completados como JSONL sin filtrar.
Conserva el ID de la operación original. La respuesta 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado sea desconocido.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónLa estructura en línea documentada no es válida, hay claves duplicadas, existe un problema con la identidad de los elementos o hay un conflicto entre las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de realizar cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave de API no válida. | Siguiente pasoUsa la clave de Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoVerifica los permisos de la clave y el grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch usa facturación contra saldo; se rechazan las solicitudes de creación con una suscripción. | Siguiente pasoUsa el grupo autorizado con facturación contra saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede cotizar la entrada de Batch. | Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia. |
Respuesta402 · billing_error | CondiciónReserva de Batch no disponible. | Siguiente pasoResuelve los requisitos de admisión antes de realizar una nueva solicitud. |
Respuesta503 · price_unavailable | CondiciónPrecio del método Batch o tarifas nativas no disponibles. | Siguiente pasoConserva la respuesta; no sustituyas los precios. |
Respuesta503 · api_error | CondiciónLa ruta exacta del proveedor no está disponible. | Siguiente pasoConserva la respuesta para reparar la ruta. |
Respuesta503 · result_pending_check | CondiciónEl resultado original requiere una revisión; X-Should-Retry:false. | Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original. |
Respuesta404 · not_found | CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad. | Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo. |
Ailoot Ultra openai/o3-mini:batch
Usa las rutas de método indicadas arriba.