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 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Les jetons 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 jetons.
La page exacte du modèle o4-mini répertorie les interfaces Chat Completions, Responses, Batch et d’ajustement fin. Les fonctionnalités documentées comprennent la diffusion en continu, 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 l’ajustement fin. 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 rédaction des prompts 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 jetons 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 flux de travail ciblé.
", "aboutText": "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.\n\nPour 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.\n\nPour 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.\n\nOpenAI indique une fenêtre de contexte de 200 000 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Les jetons 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 jetons.\n\nLa page exacte du modèle o4-mini répertorie les interfaces Chat Completions, Responses, Batch et d’ajustement fin. Les fonctionnalités documentées comprennent la diffusion en continu, 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 l’ajustement fin. 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.\n\nLes recommandations de rédaction des prompts 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.\n\nPour 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 jetons 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 flux de travail ciblé.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f87c991b24684c4e4dac93f0a8de65f8cfe2711cb5f7454757262306a325e4ce", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "openai/o4-mini:batchOpenAI o4-mini est un modèle de raisonnement compact axé sur la programmation efficace et les tâches visuelles. Il accepte du texte et des images, renvoie du texte et prend en charge les réponses structurées et les outils pour résoudre un problème technique délimité ou tirer une conclusion utile des documents fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
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 jetons, une sortie maximale de 100 000 jetons et une date limite de connaissances au 1er juin 2024. Les jetons 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 jetons.
La page exacte du modèle o4-mini répertorie les interfaces Chat Completions, Responses, Batch et d’ajustement fin. Les fonctionnalités documentées comprennent la diffusion en continu, 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 l’ajustement fin. 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 rédaction des prompts 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 jetons 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 flux de travail ciblé.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites openai/o4-mini:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites openai/o4-mini:batch, openai/o4-mini | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites openai | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0011 / 1K jetons Sortie · Jetons en sortie $0.0044 / 1K jetons Entrée · Lecture du cache $0.000275 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0011 / 1K jetons Sortie · Jetons en sortie $0.0044 / 1K jetons Entrée · Lecture du cache $0.000275 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 results[].response.body intégré
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\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRésolvez le problème d’admission avant d’envoyer une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne remplacez pas les prix par d’autres. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra openai/o4-mini:batch
Utilisez les chemins de méthode indiqués ci-dessus.