Bolehkah saya menjalankan o4 Mini secara tempatan?

Tidak. OpenAI belum mengeluarkan berat model, jadi ia hanya API — anda tidak boleh menjalankannya pada perkakasan sendiri.

Berapa kos o4 Mini dan berapa tetingkap konteksnya?

Kosnya $1.10 per sejuta token input dan $4.40 per sejuta token output, dengan tetingkap konteks 200,000 token.

Bagaimana o4 Mini berbeza daripada o3 Mini dan o3?

o4 Mini mengatasi pendahulunya o3-mini dan menutup banyak jurang dengan model penuh o3 pada penanda aras pengkodan dan STEM, sambil kekal lebih pantas dan murah daripada o3.

O4 Mini

1678°

#llm #openai #penglihatan #penalaran #pengaturcaraan #matematik

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

OpenAI | konteks token 200,000 | $1.10/M input, $4.40/M output. OpenAI o4-mini adalah model penalaran padat dalam siri o, dioptimumkan untuk prestasi pantas dan kos efektif sambil mengekalkan keupayaan multimodal dan agen yang kuat. Ia menyokong penggunaan alat dan menunjukkan prestasi penalaran dan pengekodan yang kompetitif merentasi penanda aras seperti AIME (99.5% dengan Python) dan SWE-bench, mengatasi pendahulunya o3-mini dan bahkan menghampiri o3 dalam beberapa domain. Walaupun saiznya lebih kecil, o4-mini menunjukkan ketepatan tinggi dalam tugasan STEM, penyelesaian masalah visual…OpenAI | konteks token 200,000 | $1.10/M input, $4.40/M output. OpenAI o4-mini adalah model penalaran padat dalam siri o, dioptimumkan untuk prestasi pantas dan kos efektif sambil mengekalkan keupayaan multimodal dan agen yang kuat. Ia menyokong penggunaan alat dan menunjukkan prestasi penalaran dan pengekodan yang kompetitif merentasi penanda aras seperti AIME (99.5% dengan Python) dan SWE-bench, mengatasi pendahulunya o3-mini dan bahkan menghampiri o3 dalam beberapa domain. Walaupun saiznya lebih kecil, o4-mini menunjukkan ketepatan tinggi dalam tugasan STEM, penyelesaian masalah visual (contohnya, MathVista, MMMU), dan penyuntingan kod. Ia sangat sesuai untuk senario throughput tinggi di mana latensi atau kos adalah kritikal. Terima kasih kepada seni bina cekap dan latihan pembelajaran penguatan yang dipertingkatkan, o4-mini boleh menggabungkan alat, menghasilkan output berstruktur, dan menyelesaikan tugasan berbilang langkah dengan kelewatan minimum—sering dalam masa kurang dari satu minit.

Panduan untuk model ini

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Cara memilih model AI pada Oktober 2026: berita sumber tertutup, kemudian berat terbuka yang patut dimuat turun

10 Alternatif ChatGPT Termurah pada 2026: model tempatan percuma, tahap percuma dan pelan kadar rata

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

o4 Mini adalah model penalaran padat OpenAI, dibina untuk memberikan prestasi STEM, pengkodan, dan penyelesaian masalah visual yang kuat dengan kos jauh lebih rendah daripada model bersaiz besar. Ia menyokong penggunaan alat, output berstruktur, dan tugas ejen berbilang langkah sambil mengekalkan latensi rendah. Jika anda memerlukan kelajuan penalaran serius tanpa bil yang serius, ini pilihan praktikal dalam siri o.

Dikenali untuk

Prestasi pengkodan yang kuat, termasuk keputusan kompetitif pada SWE-bench.
Penalaran STEM dan matematik yang melebihi kelas saiznya.
Penyelesaian masalah visual: mengendalikan matematik berasaskan imej dan tugas multimodal.
Penggunaan alat dan rantai ejen berbilang langkah dengan latensi rendah.
Jauh lebih murah daripada o3 sambil menghampiri prestasi pada beberapa penanda aras.

Berhati-hati dengan

Berat tertutup; anda menjalankannya melalui API OpenAI sahaja, tiada pelaksanaan tempatan.
Token output berharga empat kali ganda kadar input, jadi tugas yang panjang akan cepat menambah kos.
Masa berfikir sudah termasuk — anda tidak mengawal terus bajet penalaran.

Terbaik untuk

Pengaturcaraan

Penalaran

Matematik

Ejen dan penggunaan alat

Penglihatan

Arahan untuk cuba

Betulkan pepijat async rumit

Berikut adalah fungsi Python async yang kadang-kadang menaikkan RuntimeError tentang gelung acara yang ditutup apabila dipanggil dari executor pool thread. Terangkan mengapa ini berlaku, kemudian tulis semula fungsi supaya selamat dipanggil dari konteks sync dan async tanpa mengubah antara muka luaran.

Masalah perancangan berbilang langkah

Sebuah kilang mempunyai tiga mesin. Mesin A mengambil 4 minit setiap unit, B mengambil 6 minit, dan C mengambil 3 minit. Anda mempunyai 8 jam masa mesin untuk diagihkan antara ketiga-tiga mesin. Setiap unit memerlukan satu laluan melalui A, kemudian sama ada B atau C tetapi bukan kedua-duanya. Maksimumkan jumlah unit yang dihasilkan dan tunjukkan penalaran anda langkah demi langkah.

Matematik visual dari imej

Saya melampirkan foto masalah geometri dari buku teks. Kenal pasti semua ukuran yang diberikan, nyatakan sebarang teorem yang anda gunakan, dan selesaikan sudut atau panjang yang tidak diketahui. Tunjukkan setiap langkah dengan jelas.

Bandingkan dengan

gpt-oss-120b
Model berat terbuka
konteks 131,072 token · Input $0.15/M, output $0.60/M
gpt-oss-20b
Model berat terbuka
konteks 131,072 token · Input $0.02/M, output $0.09/M
GPT-6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.10/M, output $0.50/M
GPT-5.6 Luna
Model hanya API
konteks 1,050,000 token · Input $0.20/M, output $1.20/M

Lebih banyak model teks dari openai

Soalan yang sering ditanya

Bolehkah saya menjalankan o4 Mini secara tempatan?: Tidak. OpenAI belum mengeluarkan berat model, jadi ia hanya API — anda tidak boleh menjalankannya pada perkakasan sendiri.
Berapa kos o4 Mini dan berapa tetingkap konteksnya?: Kosnya $1.10 per sejuta token input dan $4.40 per sejuta token output, dengan tetingkap konteks 200,000 token.
Bagaimana o4 Mini berbeza daripada o3 Mini dan o3?: o4 Mini mengatasi pendahulunya o3-mini dan menutup banyak jurang dengan model penuh o3 pada penanda aras pengkodan dan STEM, sambil kekal lebih pantas dan murah daripada o3.

Keputusan Kapten
Pilihan lalai yang munasabah untuk kerja penalaran berjumlah tinggi: keputusan setaraf o3 pada kebanyakan tugas STEM dan pengkodan, pada harga yang tidak memerlukan mesyuarat bajet.

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

O4 Mini ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm openai penglihatan penalaran pengaturcaraan matematik ejen

Layari mengikut keluarga model