OpenAI: o4 Mini (batch)

o4-mini est le modèle de raisonnement compact de la série o d’OpenAI, optimisé pour un raisonnement rapide et efficace dans les tâches de programmation et les tâches visuelles. Il accepte du texte et des images et produit du texte. Son rôle utile est de traiter un problème technique défini qui nécessite une analyse avant la réponse : comprendre un échec de code, interpréter un schéma, relier des faits dans des documents fournis ou produire un résultat structuré utilisable à une étape suivante.

Pour la programmation, donnez au modèle la fonction ou les fichiers pertinents, le comportement attendu et l’entrée exacte en échec ou l’erreur. Ajoutez les détails de langage et d’environnement qui influencent le résultat. Une demande ciblée peut porter sur la cause probable, une correction minimale proposée et une explication de la façon dont la modification traite le comportement observé. Définissez les limites de la modification, comme la préservation de l’interface publique ou du sens des données existantes, pour pouvoir vérifier le résultat à partir de la tâche réelle.

Pour un problème visuel, fournissez une capture d’écran, un schéma ou un graphique lisible et précisez la question à laquelle il doit répondre. Gardez visibles les libellés, les axes et les unités utiles. Une consigne illustrative peut demander d’expliquer ce qu’un graphique étaye, d’identifier les observations utilisées et de distinguer une valeur visible d’une déduction. Pour une tâche documentaire, identifiez les sources et définissez les champs ou relations requis dans la réponse. Un modèle compact bénéficie lui aussi d’informations complètes sur le problème et d’une demande de sortie précise.

OpenAI indique une fenêtre de contexte de 200 000 tokens, une sortie maximale de 100 000 tokens et une date limite de connaissances au 1er juin 2024. Les tokens de raisonnement consomment la capacité de contexte et de sortie ; laissez donc de la place pour l’analyse et la réponse finale au lieu de remplir toute la limite avec l’entrée. Atteindre une limite de contexte ou de sortie peut produire une réponse incomplète avant toute réponse visible. Une réponse finale courte peut néanmoins nécessiter un raisonnement interne ; sa longueur visible seule ne décrit pas le budget total de tokens.

La page exacte du modèle o4-mini répertorie les interfaces Chat Completions, Responses, Batch et de fine-tuning. Les fonctionnalités documentées comprennent le streaming, Structured Outputs, les appels de fonctions, l’envoi de fichiers, les entrées image, la recherche dans les fichiers, la mise en cache des prompts et le fine-tuning. Les outils répertoriés comprennent la recherche sur le Web et dans les fichiers, l’interprétation de code et les connexions MCP. Donnez à un outil d’application un but clair et un contrat d’entrée, renvoyez le résultat réel et demandez au modèle de l’utiliser pour la décision suivante. Un appel de fonction demandé est une proposition d’action, tandis qu’une réponse finale structurée organise les informations produites par la tâche.

Les recommandations de prompting d’OpenAI pour la série o préconisent un objectif simple et direct, avec des contraintes explicites et des délimiteurs clairs autour des sources. Laissez le modèle traiter le problème en interne ; demandez l’explication finale, les éléments probants ou le calcul nécessaires plutôt qu’une transcription du raisonnement caché. Essayez d’abord une consigne de tâche claire, puis ajoutez des exemples si un format requis ou la limite d’une catégorie reste ambigu. Un exemple doit montrer les mêmes règles que la tâche réelle, notamment la représentation des informations manquantes.

Pour les applications qui souhaitent une explication facultative du processus de raisonnement, le guide de raisonnement d’OpenAI documente explicitement des résumés détaillés du raisonnement pour o4-mini. Un résumé doit être demandé et reste distinct des tokens de raisonnement internes bruts, qui ne sont pas exposés. La réponse finale doit toujours contenir le résultat demandé par l’utilisateur : par exemple, une modification de code proposée, l’interprétation d’un graphique avec les observations pertinentes ou des champs extraits liés aux documents fournis. Fournissez les faits récents lorsqu’ils sont utiles, vérifiez les affirmations importantes à partir de leur source et utilisez une tâche délimitée avec un critère d’achèvement pour garder le workflow ciblé.