Can I run o4 Mini High locally?

Nein. Es handelt sich um ein geschlossenes, nur per API zugängliches Modell von OpenAI; es gibt keinen Download und keine lokale Ausführung.

What does o4 Mini High cost and what is the context window?

Die Preise betragen 1,10 $ pro Million Eingabe-Tokens und 4,40 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 200.000 Tokens.

How is o4 Mini High different from o4-mini?

Es ist dasselbe zugrundeliegende Modell mit dem Parameter reasoning_effort auf hoch gesetzt, was bedeutet, dass mehr Rechenleistung pro Antwort verwendet wird und es auf schwierigen Problemen genauere Antworten liefern sollte, allerdings mit etwas höherer Latenz.

O4 Mini High

1776°

#llm #openai #vision #logik #programmieren #mathematik

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

OpenAI | 200.000 Token Kontext | $1.10/M Eingabe, $4.40/M Ausgabe. OpenAI o4-mini-high ist dasselbe Modell wie o4-mini mit auf high gesetztem reasoning_effort. OpenAI o4-mini ist ein kompaktes Reasoning-Modell der o-Serie, optimiert für schnelle, kosteneffiziente Leistung bei gleichzeitig starken multimodalen und agentischen Fähigkeiten. Es unterstützt Werkzeugnutzung und zeigt wettbewerbsfähige Reasoning- und Codierleistung in Benchmarks wie AIME (99,5 % mit Python) und SWE-bench, übertrifft seinen Vorgänger o3-mini und nähert sich in einigen Bereichen sogar o3 an. Trotz seiner kleineren…OpenAI | 200.000 Token Kontext | $1.10/M Eingabe, $4.40/M Ausgabe. OpenAI o4-mini-high ist dasselbe Modell wie o4-mini mit auf high gesetztem reasoning_effort. OpenAI o4-mini ist ein kompaktes Reasoning-Modell der o-Serie, optimiert für schnelle, kosteneffiziente Leistung bei gleichzeitig starken multimodalen und agentischen Fähigkeiten. Es unterstützt Werkzeugnutzung und zeigt wettbewerbsfähige Reasoning- und Codierleistung in Benchmarks wie AIME (99,5 % mit Python) und SWE-bench, übertrifft seinen Vorgänger o3-mini und nähert sich in einigen Bereichen sogar o3 an. Trotz seiner kleineren Größe zeigt o4-mini hohe Genauigkeit bei STEM-Aufgaben, visueller Problemlösung (z. B. MathVista, MMMU) und Codebearbeitung. Es eignet sich besonders für Szenarien mit hohem Durchsatz, bei denen Latenz oder Kosten kritisch sind. Dank seiner effizienten Architektur und verfeinertem Reinforcement-Learning-Training kann o4-mini Werkzeuge verketten, strukturierte Ausgaben erzeugen und mehrstufige Aufgaben mit minimaler Verzögerung lösen – oft in unter einer Minute.

Anleitungen zu diesem Modell

Wie man im Oktober 2026 ein KI-Modell auswählt: Neuigkeiten zu Closed Source und dann die Open-Weights, die sich zum Download lohnen

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

o4 Mini High ist OpenAIs o4-mini Modell mit auf maximal eingestelltem Reasoning-Einsatz. Sie erhalten dieselbe kompakte, kosteneffiziente Architektur wie o4-mini, aber mit mehr Rechenaufwand pro Antwort, was die Leistung bei schwierigen STEM-, Programmier- und visuellen Reasoning-Aufgaben verbessert. Es eignet sich für Entwickler und Forschende, die nahezu o3-Qualität benötigen, ohne die Preise von o3 zu zahlen.

Bekannt für

Starke Programmierleistung, einschließlich wettbewerbsfähiger Ergebnisse bei SWE-bench.
STEM- und Mathematikgenauigkeit, einschließlich visueller Problemlösung bei Benchmarks wie MathVista.
Werkzeugnutzung und mehrstufige agentische Aufgabenbearbeitung.
200.000-Tokens-Kontextfenster zu relativ niedrigem Preis pro Token.
Multimodal: verarbeitet Bild- und Texteingaben.

Achte auf

Geschlossene Gewichte, nur API-Zugriff – keine lokale Ausführung oder Modellinspektion möglich.
Hoher Reasoning-Einsatz bedeutet langsamere Antworten als bei Standard-o4-mini; Latenz ist bei Echtzeitanwendungen relevant.
Ausgabetokens kosten 4,40 $ pro Million und können bei langen Reasoning-Ketten schnell teuer werden.

Am besten für

Prompts zum Ausprobieren

Debuggen eines kniffligen Algorithmus

Here is a Python function that is supposed to return the longest substring without repeating characters, but it gives wrong results on some inputs. Find the bug, explain why it fails, and give a corrected version with a brief explanation of the fix. def longest_unique(s): seen = {} start = 0 best = 0 for i, c in enumerate(s): if c in seen: start = seen[c] seen[c] = i best = max(best, i - start + 1) return best

Planung einer mehrstufigen Rechercheaufgabe

I need to evaluate whether a small SaaS company should migrate its monolithic Rails app to microservices. List the key technical and business questions I need to answer first, the order in which to investigate them, and the criteria that would make migration clearly worth it versus clearly not worth it.

Löse ein visuelles Mathematikproblem

I'm attaching a geometry diagram. Identify all the angles and lengths that can be derived from the information shown, show your reasoning step by step, and give the final answer with units.

Vergleichen mit

GPT-6 Luna
Nur API-Modell
1,050,000 Token Kontext · $0.10/M Eingabe, $0.50/M Ausgabe
GPT-5.6 Sol
Nur API-Modell
1,050,000 Token Kontext · $4.00/M Eingabe, $20.00/M Ausgabe
GPT-6.1 Sol
Nur API-Modell
1,050,000 Token Kontext · $2.00/M Eingabe, $10.00/M Ausgabe
GPT-6 Sol
Nur API-Modell
1,050,000 Token Kontext · $2.00/M Eingabe, $10.00/M Ausgabe

Mehr Textmodelle von openai

Häufig gestellte Fragen

Can I run o4 Mini High locally?: Nein. Es handelt sich um ein geschlossenes, nur per API zugängliches Modell von OpenAI; es gibt keinen Download und keine lokale Ausführung.
What does o4 Mini High cost and what is the context window?: Die Preise betragen 1,10 $ pro Million Eingabe-Tokens und 4,40 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 200.000 Tokens.
How is o4 Mini High different from o4-mini?: Es ist dasselbe zugrundeliegende Modell mit dem Parameter reasoning_effort auf hoch gesetzt, was bedeutet, dass mehr Rechenleistung pro Antwort verwendet wird und es auf schwierigen Problemen genauere Antworten liefern sollte, allerdings mit etwas höherer Latenz.

Captain's Urteil
Der vernünftige Mittelweg, wenn o3 zu teuer erscheint, aber das Standard-o4-mini bei der Reasoning-Qualität noch Luft nach oben lässt.

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

TEXT / LLM

GPT Terra Latest

TEXT / LLM

Gemini 3.5 Flash Lite

TEXT / LLM

Hy MT2 7B

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

O4 Mini High ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm openai vision logik programmieren mathematik langer kontext

Nach Modellfamilie stöbern