o4-mini är OpenAI:s kompakta resonemangsmodell i o-serien, optimerad för snabbt och effektivt resonemang i kodning och visuella uppgifter. Den tar emot text och bilder och producerar text. Dess användbara roll är ett definierat tekniskt problem som behöver analys före svaret: att förstå ett kodfel, tolka ett diagram, knyta samman fakta i tillhandahållet material eller producera ett strukturerat resultat som nästa steg kan använda.
För kodning ger du modellen relevant funktion eller relevanta filer, förväntat beteende och de exakta felande indata eller felet. Ta med de språk- och miljödetaljer som påverkar resultatet. En avgränsad begäran kan fråga efter den sannolika orsaken, en liten föreslagen korrigering och en förklaring av hur ändringen hanterar det observerade beteendet. Definiera ändringens gräns, som att bevara det publika gränssnittet eller befintliga datas innebörd, så att resultatet kan granskas mot den faktiska uppgiften.
För ett visuellt problem tillhandahåller du en läsbar skärmbild, ett schema eller ett diagram och identifierar frågan det ska besvara. Håll betydelsefulla beteckningar, axlar och enheter synliga. Ett illustrativt underlag kan be om en förklaring av vad ett diagram stöder, identifiering av de observationer som används och en åtskillnad mellan ett synligt värde och en härledning. För en dokumentuppgift märker du upp källmaterialet och definierar de fält eller samband som behövs i svaret. En kompakt modell har fortfarande nytta av fullständig probleminformation och en exakt begäran om utdata.
OpenAI anger ett kontextfönster på 200 000 token, högst 100 000 utdatatoken och en kunskapsgräns den 1 juni 2024. Resonemangstoken förbrukar både kontext- och utdatakapacitet, så lämna plats för analys och slutsvaret i stället för att fylla hela utrymmet med indata. Att nå en kontext- eller utdatagräns kan ge ett ofullständigt svar innan något synligt svar har lämnats. Ett kort slutsvar kan ändå kräva internt resonemang; dess synliga längd beskriver inte ensam hela tokenbudgeten.
Den exakta modellsidan för o4-mini anger gränssnitten Chat Completions, Responses, Batch och finjustering. Dess dokumenterade funktioner omfattar strömning, Structured Outputs, funktionsanrop, filuppladdningar, bildindata, filsökning, promptcache och finjustering. Verktygsuppsättningen anger webb- och filsökning, kodtolkning och MCP-anslutningar. Ge ett applikationsverktyg ett tydligt syfte och indatakontrakt, returnera det faktiska resultatet och be modellen använda resultatet för nästa beslut. Ett begärt funktionsanrop är ett åtgärdsförslag, medan ett strukturerat slutsvar ordnar den information uppgiften producerar.
OpenAI:s promptvägledning för o-serien rekommenderar ett enkelt, direkt mål med uttryckliga begränsningar och tydliga avgränsare runt källmaterialet. Låt modellen arbeta igenom problemet internt; begär den slutliga förklaring, det underlag eller den beräkning du behöver i stället för en utskrift av dolt resonemang. Pröva först ett tydligt uppgiftsunderlag och lägg sedan till exempel när ett nödvändigt format eller en kategorigräns fortfarande är oklar. Ett exempel ska visa samma regler som den verkliga uppgiften, inklusive hur saknad information ska representeras.
För applikationer som behöver en valfri förklaring av resonemangsprocessen dokumenterar OpenAI:s resonemangsguide uttryckligen detaljerade resonemangssammanfattningar för o4-mini. En sammanfattning måste begäras och skiljer sig från de råa interna resonemangstoken som inte exponeras. Slutsvaret måste fortfarande innehålla det resultat användaren begärde: exempelvis en föreslagen kodändring, en diagramtolkning med relevanta observationer eller extraherade fält knutna till tillhandahållet material. Tillhandahåll aktuella fakta när de är relevanta, verifiera viktiga påståenden mot deras källa och använd en avgränsad uppgift och ett slutvillkor för att hålla arbetsflödet fokuserat.
", "aboutText": "o4-mini är OpenAI:s kompakta resonemangsmodell i o-serien, optimerad för snabbt och effektivt resonemang i kodning och visuella uppgifter. Den tar emot text och bilder och producerar text. Dess användbara roll är ett definierat tekniskt problem som behöver analys före svaret: att förstå ett kodfel, tolka ett diagram, knyta samman fakta i tillhandahållet material eller producera ett strukturerat resultat som nästa steg kan använda.\n\nFör kodning ger du modellen relevant funktion eller relevanta filer, förväntat beteende och de exakta felande indata eller felet. Ta med de språk- och miljödetaljer som påverkar resultatet. En avgränsad begäran kan fråga efter den sannolika orsaken, en liten föreslagen korrigering och en förklaring av hur ändringen hanterar det observerade beteendet. Definiera ändringens gräns, som att bevara det publika gränssnittet eller befintliga datas innebörd, så att resultatet kan granskas mot den faktiska uppgiften.\n\nFör ett visuellt problem tillhandahåller du en läsbar skärmbild, ett schema eller ett diagram och identifierar frågan det ska besvara. Håll betydelsefulla beteckningar, axlar och enheter synliga. Ett illustrativt underlag kan be om en förklaring av vad ett diagram stöder, identifiering av de observationer som används och en åtskillnad mellan ett synligt värde och en härledning. För en dokumentuppgift märker du upp källmaterialet och definierar de fält eller samband som behövs i svaret. En kompakt modell har fortfarande nytta av fullständig probleminformation och en exakt begäran om utdata.\n\nOpenAI anger ett kontextfönster på 200 000 token, högst 100 000 utdatatoken och en kunskapsgräns den 1 juni 2024. Resonemangstoken förbrukar både kontext- och utdatakapacitet, så lämna plats för analys och slutsvaret i stället för att fylla hela utrymmet med indata. Att nå en kontext- eller utdatagräns kan ge ett ofullständigt svar innan något synligt svar har lämnats. Ett kort slutsvar kan ändå kräva internt resonemang; dess synliga längd beskriver inte ensam hela tokenbudgeten.\n\nDen exakta modellsidan för o4-mini anger gränssnitten Chat Completions, Responses, Batch och finjustering. Dess dokumenterade funktioner omfattar strömning, Structured Outputs, funktionsanrop, filuppladdningar, bildindata, filsökning, promptcache och finjustering. Verktygsuppsättningen anger webb- och filsökning, kodtolkning och MCP-anslutningar. Ge ett applikationsverktyg ett tydligt syfte och indatakontrakt, returnera det faktiska resultatet och be modellen använda resultatet för nästa beslut. Ett begärt funktionsanrop är ett åtgärdsförslag, medan ett strukturerat slutsvar ordnar den information uppgiften producerar.\n\nOpenAI:s promptvägledning för o-serien rekommenderar ett enkelt, direkt mål med uttryckliga begränsningar och tydliga avgränsare runt källmaterialet. Låt modellen arbeta igenom problemet internt; begär den slutliga förklaring, det underlag eller den beräkning du behöver i stället för en utskrift av dolt resonemang. Pröva först ett tydligt uppgiftsunderlag och lägg sedan till exempel när ett nödvändigt format eller en kategorigräns fortfarande är oklar. Ett exempel ska visa samma regler som den verkliga uppgiften, inklusive hur saknad information ska representeras.\n\nFör applikationer som behöver en valfri förklaring av resonemangsprocessen dokumenterar OpenAI:s resonemangsguide uttryckligen detaljerade resonemangssammanfattningar för o4-mini. En sammanfattning måste begäras och skiljer sig från de råa interna resonemangstoken som inte exponeras. Slutsvaret måste fortfarande innehålla det resultat användaren begärde: exempelvis en föreslagen kodändring, en diagramtolkning med relevanta observationer eller extraherade fält knutna till tillhandahållet material. Tillhandahåll aktuella fakta när de är relevanta, verifiera viktiga påståenden mot deras källa och använd en avgränsad uppgift och ett slutvillkor för att hålla arbetsflödet fokuserat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ea70394377678f27c7260976d6b9f1c7c7763320565a86ac3ced5d390cc15317", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "openai/o4-mini:batchOpenAI o4-mini är en kompakt resonemangsmodell med fokus på effektiv kodning och visuella uppgifter. Den tar emot text och bilder, returnerar text och stöder strukturerade svar och verktyg för att lösa ett avgränsat tekniskt problem eller dra en användbar slutsats ur tillhandahållet material.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
o4-mini är OpenAI:s kompakta resonemangsmodell i o-serien, optimerad för snabbt och effektivt resonemang i kodning och visuella uppgifter. Den tar emot text och bilder och producerar text. Dess användbara roll är ett definierat tekniskt problem som behöver analys före svaret: att förstå ett kodfel, tolka ett diagram, knyta samman fakta i tillhandahållet material eller producera ett strukturerat resultat som nästa steg kan använda.
För kodning ger du modellen relevant funktion eller relevanta filer, förväntat beteende och de exakta felande indata eller felet. Ta med de språk- och miljödetaljer som påverkar resultatet. En avgränsad begäran kan fråga efter den sannolika orsaken, en liten föreslagen korrigering och en förklaring av hur ändringen hanterar det observerade beteendet. Definiera ändringens gräns, som att bevara det publika gränssnittet eller befintliga datas innebörd, så att resultatet kan granskas mot den faktiska uppgiften.
För ett visuellt problem tillhandahåller du en läsbar skärmbild, ett schema eller ett diagram och identifierar frågan det ska besvara. Håll betydelsefulla beteckningar, axlar och enheter synliga. Ett illustrativt underlag kan be om en förklaring av vad ett diagram stöder, identifiering av de observationer som används och en åtskillnad mellan ett synligt värde och en härledning. För en dokumentuppgift märker du upp källmaterialet och definierar de fält eller samband som behövs i svaret. En kompakt modell har fortfarande nytta av fullständig probleminformation och en exakt begäran om utdata.
OpenAI anger ett kontextfönster på 200 000 token, högst 100 000 utdatatoken och en kunskapsgräns den 1 juni 2024. Resonemangstoken förbrukar både kontext- och utdatakapacitet, så lämna plats för analys och slutsvaret i stället för att fylla hela utrymmet med indata. Att nå en kontext- eller utdatagräns kan ge ett ofullständigt svar innan något synligt svar har lämnats. Ett kort slutsvar kan ändå kräva internt resonemang; dess synliga längd beskriver inte ensam hela tokenbudgeten.
Den exakta modellsidan för o4-mini anger gränssnitten Chat Completions, Responses, Batch och finjustering. Dess dokumenterade funktioner omfattar strömning, Structured Outputs, funktionsanrop, filuppladdningar, bildindata, filsökning, promptcache och finjustering. Verktygsuppsättningen anger webb- och filsökning, kodtolkning och MCP-anslutningar. Ge ett applikationsverktyg ett tydligt syfte och indatakontrakt, returnera det faktiska resultatet och be modellen använda resultatet för nästa beslut. Ett begärt funktionsanrop är ett åtgärdsförslag, medan ett strukturerat slutsvar ordnar den information uppgiften producerar.
OpenAI:s promptvägledning för o-serien rekommenderar ett enkelt, direkt mål med uttryckliga begränsningar och tydliga avgränsare runt källmaterialet. Låt modellen arbeta igenom problemet internt; begär den slutliga förklaring, det underlag eller den beräkning du behöver i stället för en utskrift av dolt resonemang. Pröva först ett tydligt uppgiftsunderlag och lägg sedan till exempel när ett nödvändigt format eller en kategorigräns fortfarande är oklar. Ett exempel ska visa samma regler som den verkliga uppgiften, inklusive hur saknad information ska representeras.
För applikationer som behöver en valfri förklaring av resonemangsprocessen dokumenterar OpenAI:s resonemangsguide uttryckligen detaljerade resonemangssammanfattningar för o4-mini. En sammanfattning måste begäras och skiljer sig från de råa interna resonemangstoken som inte exponeras. Slutsvaret måste fortfarande innehålla det resultat användaren begärde: exempelvis en föreslagen kodändring, en diagramtolkning med relevanta observationer eller extraherade fält knutna till tillhandahållet material. Tillhandahåll aktuella fakta när de är relevanta, verifiera viktiga påståenden mot deras källa och använd en avgränsad uppgift och ett slutvillkor för att hålla arbetsflödet fokuserat.
POST /v1/batchestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältendpoint | Typstring | KravObligatoriskt | Värden & gränser /v1/chat/completions | Standard— |
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser openai/o4-mini:batch | Standard— |
Fältrequests | Typbatch_item[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältrequests[].custom_id | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältrequests[].body.messages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältcompletion_window | Typstring | KravValfritt | Värden & gränser 24h | Standard— |
Fältprovider | Typobject|null | KravValfritt | Värden & gränser | Standard— |
Fältrequests[].body.model | Typstring | KravValfritt | Värden & gränser openai/o4-mini:batch, openai/o4-mini | Standard— |
Fältprovider.only | Typstring[] | KravValfritt | Värden & gränser openai | Standard— |
Fältprovider.allow_fallbacks | Typboolean|null | KravValfritt | Värden & gränser false, null | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalendpoint, model, requests |
Parametermaterial_types | Avtaltext |
Parameterrepresentation | AvtalInbäddade requests[]; varje objekt har custom_id och body |
Parameterrequest_endpoint_profile | Avtal/v1/chat/completions |
Parameterfile_material | AvtalDen anropande klienten kan läsa in faktiska UTF-8 JSONL-data lokalt i requests[]. Inget uppladdningssyfte, input_file_id eller någon filreferens används. Om kundmaterial saknas eller är tomt avbryts förberedelserna före POST. |
Parameterserialization_order | Avtalendpoint, model, provider (om angivet), completion_window (om angivet), requests sist |
Parameteroptional_controls | Avtalprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtalFörfrågningskroppar för Text Chat Completions i det dokumenterade inbäddade Batch-formatet. |
Livscykel: asynchronous
GET /v1/batches/{operation_id} · Det faktiska response.id från det ursprungliga skapandesvaret; samma användare/nyckel/grupp
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0011 / 1K token Utdata · Utdatatoken $0.0044 / 1K token Indata · Cacheläsning $0.000275 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0011 / 1K token Utdata · Utdatatoken $0.0044 / 1K token Indata · Cacheläsning $0.000275 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 i inbäddade 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\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela det ursprungliga statusobjektet i JSON, varje resultat/custom_id och hela svars- eller felkroppen. Spara slutförda results[] som JSONL utan filtrering.
Behåll det ursprungliga operations-ID:t. Vid 503 result_pending_check gäller X-Should-Retry:false; skicka aldrig om en ursprunglig batch med okänt utfall.
| Fält | Typ |
|---|---|
Fältresults[].custom_id | Typstring |
Fältresults[].response.body.choices[].message.content | Typstring|null |
Fältresults[].error | Typobject|null |
Fältusage | Typobject|null |
Fältid | Typstring |
Fältmodel | Typstring |
Fältendpoint | Typstring |
Fältstatus | Typstring |
Fältrequest_counts | Typobject |
Fältresults[].id | Typstring |
Fältresults[].response.status_code | Typinteger |
Fältresults[].response.request_id | Typstring |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorFörfrågan har ett ogiltigt inbäddat format enligt dokumentationen, duplicerade nycklar eller en felaktig objektidentitet, eller står i konflikt med modellens konfigurerade funktioner. | Nästa stegRätta de angivna fälten innan du skickar en ny förfrågan. |
Svar401 · authentication_error | VillkorOgiltig API-nyckel. | Nästa stegAnvänd den behöriga Ailoot-nyckeln. |
Svar403 · permission_error | VillkorGrupp för batchkörning är inte tillgänglig. | Nästa stegKontrollera nyckelns/gruppens behörighet. |
Svar422 · invalid_request_error | VillkorBatchkörning debiteras från saldot; skapande via abonnemang avvisas. | Nästa stegAnvänd den behöriga gruppen med saldodebitering. |
Svar422 · price_unavailable | VillkorKostnaden för batchindata kan inte beräknas i förväg. | Nästa stegSpara svaret; använd det dokumenterade indataformatet för API-familjen. |
Svar402 · billing_error | VillkorReservation för batchkörning är inte tillgänglig. | Nästa stegSe till att villkoren för att godta förfrågan är uppfyllda innan du skickar en ny. |
Svar503 · price_unavailable | VillkorPriset för batchmetoden eller de inbyggda priserna är inte tillgängliga. | Nästa stegSpara svaret; ersätt inte priserna med andra. |
Svar503 · api_error | VillkorDen exakta leverantörsrutten är inte tillgänglig. | Nästa stegSpara svaret för att kunna reparera routningen. |
Svar503 · result_pending_check | VillkorDet ursprungliga resultatet behöver kontrolleras; X-Should-Retry:false. | Nästa stegBehåll det ursprungliga värdet för operation_id/id och läs av operationens status; upprepa aldrig det ursprungliga POST-anropet. |
Svar404 · not_found | VillkorOperationen för batchstatus saknas eller tillhör en annan identitet. | Nästa stegAnvänd exakt det ursprungliga id-värdet och samma användare/nyckel/grupp. |
Ailoot Ultra openai/o4-mini:batch
Använd metodsökvägarna som visas ovan.