OpenAI: o3 Mini (batch)

OpenAI o3-mini est un modèle de raisonnement plus petit de la série o, axé sur la résolution de problèmes techniques, notamment en sciences, en mathématiques et en programmation. Il accepte du texte et produit du texte, avec un raisonnement interne supplémentaire avant la réponse visible. Utilisez-le pour un problème mathématique clairement énoncé, une analyse algorithmique, une révision de code ou une comparaison technique dont la conclusion dépend de plusieurs conditions. L’effort de raisonnement peut être configuré pour l’édition de base o3-mini ; un préréglage o3-mini High sélectionne un effort élevé plutôt que des poids de modèle distincts.

Le développeur documente les niveaux d’effort de raisonnement low, medium et high. Davantage d’effort peut servir un problème exigeant et demander plus de temps de génération, tout en permettant une réponse visible concise. Donnez au modèle la tâche, les contraintes et le contrat de sortie au lieu d’imposer une longue chaîne de pensées intermédiaires. Pour un problème algorithmique, fournissez les limites des entrées, le comportement requis et les cas qui déterminent la justesse. Pour les mathématiques, définissez les variables, les domaines, la notation et le résultat requis.

OpenAI indique une fenêtre de contexte de 200 000 jetons, un budget maximal de sortie de 100 000 jetons et une date limite de connaissances au 1er octobre 2023. Les jetons de raisonnement consomment le contexte disponible et le budget de sortie générée avant la réponse finale ; le maximum ne promet donc pas autant de jetons de réponse visible. Laissez de la place pour l’analyse et le résultat demandé. Une requête peut épuiser sa limite de jetons générés avant de renvoyer un texte visible utile si le budget est trop petit pour le problème.

La modalité d’entrée native est textuelle, sans capacité visuelle. Si une tâche provient d’un schéma ou d’une capture d’écran, fournissez ses conditions pertinentes par écrit. Le développeur répertorie l’envoi de fichiers et la recherche dans les fichiers dans les flux de travail assistés par des outils, qui peuvent fournir des contenus textuels pertinents sans modifier la modalité native du modèle. Identifiez les passages sources ou contenus de fichiers nécessaires à la réponse au lieu de supposer que chaque pièce jointe apporte automatiquement des éléments utiles.

Le modèle prend en charge Structured Outputs, les appels de fonctions et la diffusion en continu, et la fiche du développeur répertorie les interfaces Responses, Chat Completions, Assistants et Batch. Pour une tâche structurée, précisez les champs requis et la représentation des informations manquantes. Dans un flux de travail d’outils, le modèle propose une fonction et des arguments ; l’application exécute l’action et renvoie l’observation réelle. Distinguez une opération proposée d’une opération dont le résultat a été reçu.

Les outils actuellement répertoriés par le développeur comprennent aussi la recherche dans les fichiers, l’interprétation de code, les connexions MCP et les outils de génération d’images. Ces outils configurés ont leurs propres opérations ; ils ne transforment pas la réponse textuelle directe d’o3-mini en une sortie native d’image ou d’audio. Pour une tâche de programmation, fournissez le code, l’échec observé et les exigences, puis demandez une modification proposée avec une explication des cas qu’elle traite. Si des résultats d’exécution sont disponibles, fournissez-les comme éléments probants pour la révision suivante, au lieu de considérer du code non exécuté comme un résultat accompli.

Un livrable final utile peut être une formule, une comparaison justifiée, une proposition de code ou un résultat technique structuré qui relie sa conclusion aux conditions initiales. Pour une demande ultérieure, précisez les nouveaux éléments et la partie de la réponse à réviser. Conservez la conversation pertinente et les observations des outils pour que la réponse suivante puisse travailler à partir de résultats réels. Ce modèle de raisonnement compact est pratique lorsque la tâche demande une analyse, des contraintes claires et un livrable textuel ciblé, plutôt que des hypothèses non étayées sur des actions externes.