o4-mini è il modello di ragionamento compatto della serie o di OpenAI, ottimizzato per un ragionamento rapido ed efficace nelle attività di programmazione e visive. Accetta testo e immagini e produce testo. Il suo ruolo utile è affrontare un problema tecnico definito che richiede un’analisi prima della risposta: capire un errore nel codice, interpretare un diagramma, collegare fatti nel materiale fornito o produrre un risultato strutturato utilizzabile in un passaggio successivo.
Per la programmazione, fornite al modello la funzione o i file pertinenti, il comportamento atteso e l’esatto ingresso che causa il problema o l’errore. Includete i dettagli del linguaggio e dell’ambiente che influiscono sul risultato. Una richiesta mirata può chiedere la causa probabile, una proposta di correzione minima e una spiegazione di come la modifica risolve il comportamento osservato. Definite i confini della modifica, per esempio preservare l’interfaccia pubblica o il significato dei dati esistenti, così da poter verificare il risultato rispetto al compito reale.
Per un problema visivo, fornite una schermata, un diagramma o un grafico leggibile e indicate la domanda a cui deve rispondere. Mantenete visibili le etichette, gli assi e le unità significative. Una richiesta esemplificativa può chiedere di spiegare cosa dimostra un grafico, identificare le osservazioni utilizzate e distinguere un valore visibile da una deduzione. Per un’attività documentale, identificate il materiale di origine e definite i campi o le relazioni richiesti nella risposta. Anche un modello compatto trae beneficio da informazioni complete sul problema e da una richiesta precisa sul risultato da produrre.
OpenAI specifica una finestra di contesto di 200 000 token, un’uscita massima di 100 000 token e conoscenze aggiornate fino al 1 giugno 2024. I token di ragionamento consumano sia la capacità del contesto sia quella dell’uscita: lasciate quindi spazio per l’analisi e la risposta finale, anziché riempire l’intera disponibilità con l’ingresso. Raggiungere il limite del contesto o dell’uscita può produrre una risposta incompleta prima di qualsiasi risposta visibile. Anche una risposta finale breve può richiedere ragionamento interno; la sola lunghezza visibile non descrive l’intero budget di token.
La pagina specifica del modello o4-mini elenca le interfacce Chat Completions, Responses, Batch e fine-tuning. Le funzionalità documentate comprendono streaming, Structured Outputs, chiamate di funzione, caricamento di file, immagini in ingresso, ricerca nei file, memorizzazione dei prompt nella cache e fine-tuning. L’insieme degli strumenti elenca la ricerca sul Web e nei file, l’interpretazione del codice e le connessioni MCP. Assegnate a uno strumento dell’applicazione uno scopo chiaro e un contratto per i dati in ingresso, restituite il risultato reale e chiedete al modello di usarlo per la decisione successiva. Una chiamata di funzione richiesta è una proposta d’azione, mentre una risposta finale strutturata organizza le informazioni prodotte dal compito.
Le indicazioni di OpenAI per scrivere prompt per la serie o raccomandano un obiettivo semplice e diretto, con vincoli espliciti e delimitatori chiari intorno al materiale di origine. Lasciate che il modello elabori il problema internamente; chiedete la spiegazione finale, le prove o il calcolo necessari, anziché una trascrizione del ragionamento nascosto. Provate prima una richiesta chiara, poi aggiungete esempi se un formato richiesto o il confine di una categoria rimangono poco chiari. Un esempio deve dimostrare le stesse regole del compito reale, compreso il modo di rappresentare le informazioni mancanti.
Per le applicazioni che richiedono una spiegazione facoltativa del processo di ragionamento, la guida di OpenAI documenta esplicitamente riassunti dettagliati del ragionamento per o4-mini. Un riassunto deve essere richiesto ed è distinto dai token grezzi del ragionamento interno, che non sono esposti. La risposta finale deve comunque contenere il risultato chiesto dall’utente: per esempio, una proposta di modifica del codice, l’interpretazione di un grafico con le osservazioni pertinenti o campi estratti e collegati al materiale fornito. Fornite fatti recenti quando sono rilevanti, verificate le affermazioni importanti rispetto alla fonte e usate un compito delimitato e un criterio di completamento per mantenere focalizzato il flusso di lavoro.
", "aboutText": "o4-mini è il modello di ragionamento compatto della serie o di OpenAI, ottimizzato per un ragionamento rapido ed efficace nelle attività di programmazione e visive. Accetta testo e immagini e produce testo. Il suo ruolo utile è affrontare un problema tecnico definito che richiede un’analisi prima della risposta: capire un errore nel codice, interpretare un diagramma, collegare fatti nel materiale fornito o produrre un risultato strutturato utilizzabile in un passaggio successivo.\n\nPer la programmazione, fornite al modello la funzione o i file pertinenti, il comportamento atteso e l’esatto ingresso che causa il problema o l’errore. Includete i dettagli del linguaggio e dell’ambiente che influiscono sul risultato. Una richiesta mirata può chiedere la causa probabile, una proposta di correzione minima e una spiegazione di come la modifica risolve il comportamento osservato. Definite i confini della modifica, per esempio preservare l’interfaccia pubblica o il significato dei dati esistenti, così da poter verificare il risultato rispetto al compito reale.\n\nPer un problema visivo, fornite una schermata, un diagramma o un grafico leggibile e indicate la domanda a cui deve rispondere. Mantenete visibili le etichette, gli assi e le unità significative. Una richiesta esemplificativa può chiedere di spiegare cosa dimostra un grafico, identificare le osservazioni utilizzate e distinguere un valore visibile da una deduzione. Per un’attività documentale, identificate il materiale di origine e definite i campi o le relazioni richiesti nella risposta. Anche un modello compatto trae beneficio da informazioni complete sul problema e da una richiesta precisa sul risultato da produrre.\n\nOpenAI specifica una finestra di contesto di 200 000 token, un’uscita massima di 100 000 token e conoscenze aggiornate fino al 1 giugno 2024. I token di ragionamento consumano sia la capacità del contesto sia quella dell’uscita: lasciate quindi spazio per l’analisi e la risposta finale, anziché riempire l’intera disponibilità con l’ingresso. Raggiungere il limite del contesto o dell’uscita può produrre una risposta incompleta prima di qualsiasi risposta visibile. Anche una risposta finale breve può richiedere ragionamento interno; la sola lunghezza visibile non descrive l’intero budget di token.\n\nLa pagina specifica del modello o4-mini elenca le interfacce Chat Completions, Responses, Batch e fine-tuning. Le funzionalità documentate comprendono streaming, Structured Outputs, chiamate di funzione, caricamento di file, immagini in ingresso, ricerca nei file, memorizzazione dei prompt nella cache e fine-tuning. L’insieme degli strumenti elenca la ricerca sul Web e nei file, l’interpretazione del codice e le connessioni MCP. Assegnate a uno strumento dell’applicazione uno scopo chiaro e un contratto per i dati in ingresso, restituite il risultato reale e chiedete al modello di usarlo per la decisione successiva. Una chiamata di funzione richiesta è una proposta d’azione, mentre una risposta finale strutturata organizza le informazioni prodotte dal compito.\n\nLe indicazioni di OpenAI per scrivere prompt per la serie o raccomandano un obiettivo semplice e diretto, con vincoli espliciti e delimitatori chiari intorno al materiale di origine. Lasciate che il modello elabori il problema internamente; chiedete la spiegazione finale, le prove o il calcolo necessari, anziché una trascrizione del ragionamento nascosto. Provate prima una richiesta chiara, poi aggiungete esempi se un formato richiesto o il confine di una categoria rimangono poco chiari. Un esempio deve dimostrare le stesse regole del compito reale, compreso il modo di rappresentare le informazioni mancanti.\n\nPer le applicazioni che richiedono una spiegazione facoltativa del processo di ragionamento, la guida di OpenAI documenta esplicitamente riassunti dettagliati del ragionamento per o4-mini. Un riassunto deve essere richiesto ed è distinto dai token grezzi del ragionamento interno, che non sono esposti. La risposta finale deve comunque contenere il risultato chiesto dall’utente: per esempio, una proposta di modifica del codice, l’interpretazione di un grafico con le osservazioni pertinenti o campi estratti e collegati al materiale fornito. Fornite fatti recenti quando sono rilevanti, verificate le affermazioni importanti rispetto alla fonte e usate un compito delimitato e un criterio di completamento per mantenere focalizzato il flusso di lavoro.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1f3c9c40a76c81e5e6cf77cd27a832bbe5e9e06c5cbc197f0e4ae2ddb54a7063", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "openai/o4-mini:batchOpenAI o4-mini è un modello di ragionamento compatto orientato all’efficienza nella programmazione e nelle attività visive. Accetta testo e immagini, restituisce testo e supporta risposte strutturate e strumenti per risolvere un problema tecnico delimitato o ricavare una conclusione utile dal materiale fornito.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
o4-mini è il modello di ragionamento compatto della serie o di OpenAI, ottimizzato per un ragionamento rapido ed efficace nelle attività di programmazione e visive. Accetta testo e immagini e produce testo. Il suo ruolo utile è affrontare un problema tecnico definito che richiede un’analisi prima della risposta: capire un errore nel codice, interpretare un diagramma, collegare fatti nel materiale fornito o produrre un risultato strutturato utilizzabile in un passaggio successivo.
Per la programmazione, fornite al modello la funzione o i file pertinenti, il comportamento atteso e l’esatto ingresso che causa il problema o l’errore. Includete i dettagli del linguaggio e dell’ambiente che influiscono sul risultato. Una richiesta mirata può chiedere la causa probabile, una proposta di correzione minima e una spiegazione di come la modifica risolve il comportamento osservato. Definite i confini della modifica, per esempio preservare l’interfaccia pubblica o il significato dei dati esistenti, così da poter verificare il risultato rispetto al compito reale.
Per un problema visivo, fornite una schermata, un diagramma o un grafico leggibile e indicate la domanda a cui deve rispondere. Mantenete visibili le etichette, gli assi e le unità significative. Una richiesta esemplificativa può chiedere di spiegare cosa dimostra un grafico, identificare le osservazioni utilizzate e distinguere un valore visibile da una deduzione. Per un’attività documentale, identificate il materiale di origine e definite i campi o le relazioni richiesti nella risposta. Anche un modello compatto trae beneficio da informazioni complete sul problema e da una richiesta precisa sul risultato da produrre.
OpenAI specifica una finestra di contesto di 200 000 token, un’uscita massima di 100 000 token e conoscenze aggiornate fino al 1 giugno 2024. I token di ragionamento consumano sia la capacità del contesto sia quella dell’uscita: lasciate quindi spazio per l’analisi e la risposta finale, anziché riempire l’intera disponibilità con l’ingresso. Raggiungere il limite del contesto o dell’uscita può produrre una risposta incompleta prima di qualsiasi risposta visibile. Anche una risposta finale breve può richiedere ragionamento interno; la sola lunghezza visibile non descrive l’intero budget di token.
La pagina specifica del modello o4-mini elenca le interfacce Chat Completions, Responses, Batch e fine-tuning. Le funzionalità documentate comprendono streaming, Structured Outputs, chiamate di funzione, caricamento di file, immagini in ingresso, ricerca nei file, memorizzazione dei prompt nella cache e fine-tuning. L’insieme degli strumenti elenca la ricerca sul Web e nei file, l’interpretazione del codice e le connessioni MCP. Assegnate a uno strumento dell’applicazione uno scopo chiaro e un contratto per i dati in ingresso, restituite il risultato reale e chiedete al modello di usarlo per la decisione successiva. Una chiamata di funzione richiesta è una proposta d’azione, mentre una risposta finale strutturata organizza le informazioni prodotte dal compito.
Le indicazioni di OpenAI per scrivere prompt per la serie o raccomandano un obiettivo semplice e diretto, con vincoli espliciti e delimitatori chiari intorno al materiale di origine. Lasciate che il modello elabori il problema internamente; chiedete la spiegazione finale, le prove o il calcolo necessari, anziché una trascrizione del ragionamento nascosto. Provate prima una richiesta chiara, poi aggiungete esempi se un formato richiesto o il confine di una categoria rimangono poco chiari. Un esempio deve dimostrare le stesse regole del compito reale, compreso il modo di rappresentare le informazioni mancanti.
Per le applicazioni che richiedono una spiegazione facoltativa del processo di ragionamento, la guida di OpenAI documenta esplicitamente riassunti dettagliati del ragionamento per o4-mini. Un riassunto deve essere richiesto ed è distinto dai token grezzi del ragionamento interno, che non sono esposti. La risposta finale deve comunque contenere il risultato chiesto dall’utente: per esempio, una proposta di modifica del codice, l’interpretazione di un grafico con le osservazioni pertinenti o campi estratti e collegati al materiale fornito. Fornite fatti recenti quando sono rilevanti, verificate le affermazioni importanti rispetto alla fonte e usate un compito delimitato e un criterio di completamento per mantenere focalizzato il flusso di lavoro.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObbligatorio | Valori e limiti /v1/chat/completions | Predefinito— |
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti openai/o4-mini:batch | Predefinito— |
Camporequests | Tipobatch_item[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Camporequests[].custom_id | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campocompletion_window | Tipostring | RequisitoFacoltativo | Valori e limiti 24h | Predefinito— |
Campoprovider | Tipoobject|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Camporequests[].body.model | Tipostring | RequisitoFacoltativo | Valori e limiti openai/o4-mini:batch, openai/o4-mini | Predefinito— |
Campoprovider.only | Tipostring[] | RequisitoFacoltativo | Valori e limiti openai | Predefinito— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoFacoltativo | Valori e limiti false, null | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattoendpoint, model, requests |
Parametromaterial_types | Contrattotext |
Parametrorepresentation | Contrattorequests[] inline; ogni elemento contiene custom_id e body |
Parametrorequest_endpoint_profile | Contratto/v1/chat/completions |
Parametrofile_material | ContrattoIl chiamante può leggere localmente i dati JSONL effettivi in UTF-8 e inserirli in requests[]. Non viene usato alcun purpose di caricamento, input_file_id o riferimento a file. Il materiale del cliente mancante o vuoto interrompe la preparazione prima del POST. |
Parametroserialization_order | Contrattoendpoint, model, provider (se fornito), completion_window (se fornito), requests per ultimo |
Parametrooptional_controls | Contrattoprovider.only, provider.allow_fallbacks, completion_window |
Parametroschema_scope | ContrattoCorpi delle richieste Chat Completions per testo nella struttura inline Batch documentata. |
Ciclo di vita: asynchronous
GET /v1/batches/{operation_id} · response.id effettivo della risposta alla creazione originale; stesso utente/chiave/gruppo
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0011 / 1K token Output · Token in output $0.0044 / 1K token Input · Lettura dalla cache $0.000275 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0011 / 1K token Output · Token in output $0.0044 / 1K token Input · Lettura dalla cache $0.000275 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 inline di results[].response.body
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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva il JSON completo dello stato originale, ogni result/custom_id e il corpo completo della risposta o dell'errore. Salva i results[] completati come JSONL senza filtrarli.
Conserva l'ID dell'operazione originale. La risposta 503 result_pending_check contiene X-Should-Retry:false; non reinviare mai un batch originale il cui esito è sconosciuto.
| 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 |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneStruttura inline documentata non valida, chiavi duplicate, identità degli elementi non valida o conflitto con le capacità configurate del modello. | Passaggio successivoCorreggi i campi indicati prima di qualsiasi nuovo invio. |
Risposta401 · authentication_error | CondizioneChiave API non valida. | Passaggio successivoUsa la chiave Ailoot autorizzata. |
Risposta403 · permission_error | CondizioneGruppo Batch non disponibile. | Passaggio successivoVerifica le autorizzazioni della chiave e del gruppo. |
Risposta422 · invalid_request_error | CondizioneBatch usa l'addebito sul saldo; la creazione tramite abbonamento viene rifiutata. | Passaggio successivoUsa il gruppo autorizzato con addebito sul saldo. |
Risposta422 · price_unavailable | CondizioneNon è possibile formulare un preventivo per l'input Batch. | Passaggio successivoConserva la risposta; usa l'input documentato per la famiglia. |
Risposta402 · billing_error | CondizioneRiserva Batch non disponibile. | Passaggio successivoRisolvi le condizioni di ammissione prima di una nuova richiesta. |
Risposta503 · price_unavailable | CondizionePrezzo del metodo Batch o tariffe native non disponibili. | Passaggio successivoConserva la risposta; non sostituire i prezzi. |
Risposta503 · api_error | CondizioneLa rotta esatta del fornitore non è disponibile. | Passaggio successivoConserva la risposta per la riparazione della rotta. |
Risposta503 · result_pending_check | CondizioneIl risultato originale richiede una verifica; X-Should-Retry:false. | Passaggio successivoConserva operation_id/id originale e leggine lo stato; non ripetere mai il POST originale. |
Risposta404 · not_found | CondizioneL'operazione di stato Batch è assente o appartiene a un'altra identità. | Passaggio successivoUsa l'id originale esatto e lo stesso utente/chiave/gruppo. |
Ailoot Ultra openai/o4-mini:batch
Usa i percorsi dei metodi indicati sopra.