O3 Mini High
4290°
OpenAI | 200,000 令牌上下文 | 输入 $1.10/千，输出 $4.40/千。OpenAI o3-mini-high 是与 o3-mini 相同的模型，推理_effort 设置为高。o3-mini 是一款针对 STEM 推理任务优化的成本效益语言模型，特别擅长科学、数学和编码。模型具有三个可调推理强度级别，支持关键开发者功能，包括函数调用、结构化输出和流式传输，但不包含视觉处理能力。该模型较前代有显著提升，专家测试者偏好其回答 56%，复杂问题重大错误减少 39%。在中等推理强度设置下，o3-mini 在 AIME 和 GPQA 等挑战性推理评测中表现与更大 o1 模型相当，同时保持更低延迟和成本。
本模型的指南
全部指南
船长笔记
2026-10-13 的笔记
o3 Mini High 是 OpenAI 的 o3-mini 模型在最高推理强度设置下运行——相同权重，思考档位调到最大。它专为 STEM 工作设计：数学、科学和编码，在牺牲部分速度的同时显著减少复杂问题的错误。如果您需要比旗舰层更低成本但仍能处理严肃技术问题的推理模型，这是合适选择。
以……著称
- 最高推理强度设置，复杂问题重大错误减少 39%
- 在中等强度下与更大 o1 模型匹配 AIME 和 GPQA 基准，高强度时超越
- 擅长编码、数学和科学——核心 STEM 领域
- 支持函数调用、结构化输出和流式传输，适合开发者流水线
- 20 万令牌上下文窗口，支持长技术文档和代码库
注意
- 无视觉支持——无法附加图片或图表
- 高强度响应比低或中强度更慢
- 权重封闭，仅限 API 使用，无本地部署选项
推荐尝试的提示词
证明组合数学结论
证明用 1×2 多米诺骨牌铺满 2×n 棋盘的方案数是第 (n+1) 个斐波那契数。清晰展示归纳的每一步，并解释基例为何成立。
调试复杂算法
这是一个 Python 实现的 Dijkstra 算法，在含有断开节点的图上返回错误的最短路径距离。阅读代码，找出所有错误，解释每个错误为何导致不正确输出，并给出修正版本。
```python
import heapq
def dijkstra(graph, start):
dist = {}
heap = [(0, start)]
while heap:
d, u = heapq.heappop(heap)
for v, w in graph[u]:
if d + w < dist.get(v, float('inf')):
dist[v] = d + w
heapq.heappush(heap, (dist[v], v))
return dist
```
设计物理实验
我想用仅有的智能手机、尺子和小球测量重力加速度 g。描述用这些工具能做的最准确方法，解释主要误差来源，并提出减少误差的建议。估计预期的不确定度。
与……比较
- GPT-5.6 Sol仅限API模型1,050,000 令牌上下文 · $4.00/M 输入，$20.00/M 输出
- GPT-6.1 Sol仅限API模型1,050,000 令牌上下文 · $2.00/M 输入，$10.00/M 输出
- GPT-6 Sol仅限API模型1,050,000 令牌上下文 · $2.00/M 输入，$10.00/M 输出
- gpt-oss-120b开源权重模型131,072 令牌上下文 · $0.15/M 输入，$0.60/M 输出
来自 openai 的更多文本模型
常见问题
- 我可以本地运行 o3 Mini High 吗？
- 不可以。它是 OpenAI 的封闭权重、仅限 API 模型；无下载和本地部署途径。
- 费用多少，上下文多大？
- 输入每百万令牌 1.10 美元，输出每百万令牌 4.40 美元，支持 20 万令牌上下文窗口。
- o3 Mini High 与普通 o3-mini 有何区别？
- 相同模型，推理强度参数固定为高，提升复杂问题准确率，但响应速度较低或中强度更慢且稍贵。
船长评语当你需要 o3-mini 的成本优势但不能容忍 STEM 复杂问题的错误时，这是正确选择。
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.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
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。
O3 Mini High 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153