O4 Mini
1678°
OpenAI | 200,000 token context | $1.10/M input, $4.40/M output. OpenAI o4-mini 是 o 系列中的紧凑推理模型，优化以实现快速且成本效益高的性能，同时保持强大的多模态和代理能力。支持工具使用，在 AIME（Python 99.5%）和 SWE-bench 等基准测试中展现竞争力的推理和编码性能，超越前代 o3-mini，部分领域甚至接近 o3。尽管体积较小，o4-mini 在 STEM 任务、视觉问题解决（如 MathVista、MMMU）和代码编辑方面准确率高。特别适合对延迟或成本敏感的高吞吐场景。得益于高效架构和精炼的强化学习训练，o4-mini 能链式调用工具，生成结构化输出，并以极低延迟解决多步骤任务，通常在一分钟内完成。
本模型的指南
开放权重 vs 开源 vs 仅API：你到底能做什么
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
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
船长笔记
2026-10-13 的笔记
o4 Mini 是 OpenAI 的紧凑推理模型，旨在以远低于更大模型的成本提供强大的 STEM、编码和视觉问题解决能力。支持工具使用、结构化输出和多步骤代理任务，同时保持低延迟。如果您需要高效推理吞吐量且预算有限，这是 o 系列中实用的选择。
以……著称
- 强大的编码性能，包括在 SWE-bench 上的竞争性成绩。
- STEM 和数学推理能力，在同类模型中表现优异。
- 视觉问题解决：支持基于图像的数学和多模态任务。
- 工具使用和多步骤代理链，延迟低。
- 比 o3 显著便宜，同时在多个基准上接近其表现。
注意
- 权重封闭；只能通过 OpenAI API 使用，无法本地部署。
- 输出令牌成本是输入的四倍，冗长任务成本迅速增加。
- 推理时间内置，用户无法直接控制推理预算。
推荐尝试的提示词
调试复杂异步错误
这是一个 Python 异步函数，偶尔在从线程池执行器调用时抛出事件循环已关闭的 RuntimeError。请分析原因，并重写函数，使其在同步和异步环境中均安全调用，且不改变外部接口。
多步骤规划问题
工厂有三台机器。机器 A 每单位需 4 分钟，B 需 6 分钟，C 需 3 分钟。总共可用机器时间 8 小时。每单位产品需先经过 A，再经过 B 或 C（但不能两者都经过）。请最大化总产量，并逐步展示推理过程。
基于图像的视觉数学
我附上一张教科书中的几何题照片。请识别所有给定测量值，说明所用定理，并求解未知角度或长度。请清晰展示每一步。
与……比较
- 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
- gpt-oss-20b开源权重模型131,072 令牌上下文 · $0.02/M 输入，$0.09/M 输出
- 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
来自 openai 的更多文本模型
常见问题
- 我可以本地运行 o4 Mini 吗？
- 不可以。OpenAI 未发布权重，仅限 API 使用，无法在本地运行。
- o4 Mini 价格和上下文窗口是多少？
- 输入令牌每百万 $1.10，输出令牌每百万 $4.40，上下文窗口为 200,000 令牌。
- o4 Mini 与 o3 Mini 和 o3 有何不同？
- o4 Mini 在编码和 STEM 基准上优于前身 o3-mini，且在多个方面接近完整的 o3 模型，同时速度更快、成本更低。
船长评语高吞吐量推理工作的理智默认选择：在大多数 STEM 和编码任务上达到 o3 水平，且价格合理，无需预算审批。
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。
O4 Mini 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