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 subida 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.
", "aboutText": "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.\n\nPara 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.\n\nPara 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.\n\nOpenAI 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.\n\nLa 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 subida 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.\n\nLas 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2772ddb878bc9c7c781d096e8e237b3baeb3fb8a723ba294dfa09583cab88a65", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "openai/o4-mini:batchOpenAI o4-mini es un modelo de razonamiento compacto centrado en la programación eficiente y las tareas visuales. Acepta texto e imágenes, devuelve texto y admite respuestas estructuradas y herramientas para resolver un problema técnico acotado o extraer una conclusión útil del material proporcionado.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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 subida 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.
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/o4-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/o4-mini:batch, openai/o4-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 la propia solicitud; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoEl cliente puede leer localmente el JSONL real en UTF-8 e incorporarlo a requests[]. No se utiliza purpose de carga, input_file_id ni ninguna referencia 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 Chat Completions de texto incluidos directamente en el contenedor Batch documentado. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · response.id real de la respuesta de creación original; 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 $0.000275 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.000275 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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/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 de results[].response.body incluido directamente
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 resultado y su custom_id, y el cuerpo completo de la respuesta o del error. Guarda los results[] completados como JSONL sin filtrarlos.
Conserva el ID de la operación original. 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado se desconoce.
| 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 | CondiciónEl contenedor documentado con contenido incluido directamente no es válido, hay claves duplicadas, la identidad de un elemento no es válida o existe un conflicto con las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave API no válida. | Siguiente pasoUsa la clave Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoComprueba los permisos de la clave y del grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch se factura con cargo al saldo; se rechaza su creación con una suscripción. | Siguiente pasoUsa el grupo autorizado que se factura con cargo al saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede calcular el presupuesto de 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 la admisión antes de enviar 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 comprobación; 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/o4-mini:batch
Usa las rutas de método indicadas arriba.