我可以本地运行 GPT-4o mini 吗？

OpenAI | 128,000 令牌上下文 | 输入 $0.15/千，输出 $0.60/千。GPT-4o mini 是 OpenAI 在 GPT-4 Omni 之后推出的新模型，支持文本和图像输入，输出文本。作为其最先进的小型模型，成本远低于其他近期前沿模型，比 GPT-3.5 Turbo 便宜超过 60%。保持了最先进的智能水平，同时显著降低成本。GPT-4o mini 在 MMLU 测试中获得 82% 分数，目前在聊天偏好常用排行榜上排名高于 GPT-4Opens in new tab。详情请参阅发布公告Opens in new tab。#multimodal

本模型的指南

2026年最便宜的10款ChatGPT替代品：免费本地模型、免费套餐和固定费率计划

2026年10月如何选择AI模型：先看闭源新闻，再看值得下载的开源权重

开放权重 vs 开源 vs 仅API：你到底能做什么

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

GPT-4o mini 是 OpenAI 的小型快速模型，支持文本和图像输入，输出文本。输入标记每百万 0.15 美元，价格远低于大多数前沿模型，但 OpenAI 定位其能力高于 GPT-3.5 Turbo。适合需要大规模可靠智能且 API 费用有限的开发者和构建者。

以……著称

支持图像输入，不仅限于纯文本提示。
128,000 标记上下文窗口——预算级模型中较为慷慨。
输入标记价格比 GPT-3.5 Turbo 低 60% 以上。
MMLU 得分 82%，与更大模型竞争。
据 OpenAI 称，在聊天偏好排行榜上排名高于 GPT-4。

注意

权重闭源——仅 API 访问，无法本地部署或自托管。
输出标记费用是输入的四倍；长对话时需注意此比例。
非 o 系列推理模型；复杂多步逻辑建议使用其他模型。

最适合

与……比较

GPT-6 Luna
仅限API模型
1,050,000 令牌上下文 · $0.10/M 输入，$0.50/M 输出
GPT-5.6 Luna
仅限API模型
1,050,000 令牌上下文 · $0.20/M 输入，$1.20/M 输出
GPT-4o (2024-11-20)
仅限API模型
128,000 令牌上下文 · $2.50/M 输入，$10.00/M 输出
GPT-3.5 Turbo (older v0613)
仅限API模型
4,095 令牌上下文 · $1.00/M 输入，$2.00/M 输出

来自 openai 的更多文本模型

常见问题

我可以本地运行 GPT-4o mini 吗？: 不可以——权重未公开，仅通过 OpenAI API 访问。
GPT-4o mini 的费用和上下文长度是多少？: 输入标记每百万收费 0.15 美元，输出标记每百万收费 0.60 美元，上下文窗口为 128,000 标记。
GPT-4o mini 与完整版 GPT-4o 有何区别？: GPT-4o mini 是更小更便宜的版本——每标记成本显著降低，但在最复杂的推理或指令执行任务中容量较小。

船长评语
当你需要 OpenAI 质量且批量使用时，且预算有限，GPT-4o mini 是理智的默认选择。

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #71 Hottest Text / LLM text model

Not this creator?

Get your own badge

GPT 4o mini 热度趋势

热度分数，过去12个月

热度评分

8,105°

本周

▲

0.3%

8,104° 当时，8,105° 现在

本月

▲

1.1%

8,100° 当时，8,105° 现在

过去一年

▲

25.1%

8,029° 当时，8,105° 现在

7,000°

起点

评分范围是 0° 到 9,999°。低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整。7,000° 是有实际数据的起点：一个有真实数据但几乎没人下载的模型就在这里，后续的度数都是基于它的测量。起点本身不反映模型质量，只有起点以上的度数才区分不同模型。

+1,105°

OpenRouter 令牌

该模型在过去30天内通过OpenRouter处理了48,101,380,955个令牌，包含提示和回答。每10,000,000个令牌计为一次下载，共计4,810次；最后一天的令牌计入采用率。来源：OpenRouter (openrouter.ai/rankings)。

显示详细分解

本站上的每个数字都可以查证。这个模型的热度评分是 8,105°，这里一步步展示了它是如何组成的，每一步都有累计总分：起点、每个来源增加的度数、模型类型的加成以及权重年龄的扣减。颜色对应上方图表的区间。最后的词汇表解释了所有术语。

1
从起点开始。
为什么是 7,000° 而不是零：评分范围是 0° 到 9,999°，低于 7,000° 的部分保留给还没有任何来源报告的模型，这些模型用替代数值填充，保证列表完整且不会超过有数据的模型。7,000° 是有实际数据的起点。一个有真实数据但几乎没人下载的模型就在这里；后续的度数都是测量值，起点以上有十个十倍下载阶梯，每阶梯增加 300°。起点对所有模型一样，不影响排名；区分模型的是起点以上的度数。
7,000°
累计总数
2
加上下载量。
总共4,810个下载等价量，来自OpenRouter 令牌。下载量增加十倍，热度增加相同的300°，所以大小很重要，但不会让分数失控。
+1,105°
8,105°
累计总数
=
热度得分。
这个模型在本站所有榜单上的排名。没有其他因素会调整它。
8,105°

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。

这个模型的受欢迎程度相对于整个目录的变化：它在每个时间段内下载量、点赞和使用量的增长，和同一时间段内典型模型的增长相比，以及当时的热度分数。高于典型增长表示上升，低于则表示下降。过去的数据是从今天的总数、模型的第一天和测量的下载速度（如果有两次测量）推算出来的；如果模型在某个时间段开始时不存在，则显示为 n/a。