OpenAI: o4 Mini (batch)

o4-mini es el modelo de razonamiento compacto de la serie o de OpenAI, optimizado para razonar de forma rápida y eficaz en tareas de programación y visuales. Acepta texto e imágenes y produce texto. Su función útil es abordar un problema técnico definido que necesita análisis antes de la respuesta: comprender un fallo en el código, interpretar un diagrama, relacionar hechos del material proporcionado o generar un resultado estructurado que pueda utilizar un paso posterior.

Para programar, proporciona al modelo la función o los archivos pertinentes, el comportamiento esperado y la entrada exacta que falla o el error concreto. Incluye los detalles del lenguaje y del entorno que influyen en el resultado. Una solicitud concreta puede pedir la causa probable, una propuesta de corrección mínima y una explicación de cómo el cambio aborda el comportamiento observado. Define los límites del cambio, como conservar la interfaz pública o el significado de los datos existentes, para poder revisar el resultado frente a la tarea real.

Para un problema visual, proporciona una captura de pantalla, un diagrama o un gráfico legible e indica la pregunta que debe responder. Mantén visibles las etiquetas, los ejes y las unidades relevantes. Un ejemplo de instrucciones sería explicar qué permite afirmar un gráfico, identificar las observaciones utilizadas y separar un valor visible de una inferencia. Para una tarea documental, identifica el material de origen y define los campos o las relaciones que debe contener la respuesta. Un modelo compacto también se beneficia de información completa sobre el problema y una petición precisa del resultado.

OpenAI especifica una ventana de contexto de 200,000 tokens, una salida máxima de 100,000 tokens y una fecha de corte de conocimientos del 1 de junio de 2024. Los tokens de razonamiento consumen tanto capacidad de contexto como de salida, así que deja espacio para el análisis y la respuesta final en lugar de llenar todo el límite con la entrada. Alcanzar un límite de contexto o de salida puede producir una respuesta incompleta antes de que aparezca una respuesta visible. Una respuesta final breve puede requerir razonamiento interno; su longitud visible por sí sola no describe todo el presupuesto de tokens.

La página específica del modelo o4-mini enumera las interfaces Chat Completions, Responses, Batch y ajuste fino. Entre las funciones documentadas figuran las respuestas en flujo, Structured Outputs, las llamadas a funciones, la carga de archivos, las imágenes de entrada, la búsqueda en archivos, el almacenamiento de la entrada en caché y el ajuste fino. El conjunto de herramientas incluye búsqueda en la web y en archivos, interpretación de código y conexiones MCP. Asigna a una herramienta de la aplicación un propósito claro y un contrato de entrada, devuelve el resultado real y pide al modelo que lo utilice para la siguiente decisión. Una llamada a función solicitada es una propuesta de acción, mientras que una respuesta final estructurada organiza la información que produce la tarea.

Las recomendaciones de OpenAI para dar instrucciones a los modelos de la serie o aconsejan un objetivo sencillo y directo, con restricciones explícitas y delimitadores claros alrededor del material de origen. Deja que el modelo analice el problema internamente; solicita la explicación final, las pruebas o el cálculo que necesitas en lugar de una transcripción del razonamiento oculto. Prueba primero unas instrucciones claras para la tarea y añade ejemplos si un formato obligatorio o el límite de una categoría siguen sin estar claros. Un ejemplo debe mostrar las mismas reglas que la tarea real, incluida la forma de representar la información que falta.

Para las aplicaciones que necesitan una explicación opcional del proceso de razonamiento, la guía de razonamiento de OpenAI documenta expresamente resúmenes detallados del razonamiento para o4-mini. El resumen se debe solicitar y es distinto de los tokens brutos de razonamiento interno, que no se exponen. La respuesta final debe seguir conteniendo el resultado que pidió el usuario: por ejemplo, una propuesta de cambio de código, la interpretación de un gráfico con las observaciones pertinentes o campos extraídos vinculados al material proporcionado. Aporta hechos recientes cuando sean relevantes, verifica las afirmaciones importantes frente a su fuente y utiliza una tarea acotada con un criterio de finalización para mantener centrado el flujo de trabajo.