Kan jag köra o3-mini lokalt eller ladda ner vikterna?

Nej. o3-mini är en API-endast-modell från OpenAI; vikterna är inte offentliga och det finns inget sätt att köra den på egen hårdvara.

Vad kostar o3-mini och hur stor är dess kontext?

Den kostar $1,10 per miljon inmatningstoken och $4,40 per miljon utmatningstoken, med ett kontextfönster på 200 000 token.

Hur skiljer sig o3-mini från o1 och o3?

o3-mini är mindre och billigare än båda, men vid medelhögt resonemang matchar den o1 på svåra matematik- och vetenskapsbenchmarks; den byter bort en del toppkvalitet för lägre latens och kostnad, och den lägger till parametern reasoning_effort som o1 inte exponerar.

O3 Mini

5918°

#llm #openai #resonemang #kodning #matematik #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

OpenAI | 200,000 token kontext | $1.10/M input, $4.40/M output. OpenAI o3-mini är en kostnadseffektiv språkmodell optimerad för STEM-resonemangsuppgifter, särskilt framstående inom vetenskap, matematik och kodning. Denna modell stödjer parametern reasoning_effort, som kan ställas in på "high", "medium" eller "low" för att styra modellens tänketid. Standard är "medium". OpenRouter erbjuder också modell-sluggen openai/o3-mini-high för att som standard sätta parametern till "high". Modellen har tre justerbara resonemangsnivåer och stödjer viktiga utvecklarfunktioner inklusive funktionsanrop,…OpenAI | 200,000 token kontext | $1.10/M input, $4.40/M output. OpenAI o3-mini är en kostnadseffektiv språkmodell optimerad för STEM-resonemangsuppgifter, särskilt framstående inom vetenskap, matematik och kodning. Denna modell stödjer parametern reasoning_effort, som kan ställas in på "high", "medium" eller "low" för att styra modellens tänketid. Standard är "medium". OpenRouter erbjuder också modell-sluggen openai/o3-mini-high för att som standard sätta parametern till "high". Modellen har tre justerbara resonemangsnivåer och stödjer viktiga utvecklarfunktioner inklusive funktionsanrop, strukturerade utdata och streaming, men inkluderar inte synbehandlingsmöjligheter. Modellen visar betydande förbättringar jämfört med sin föregångare, där experttestare föredrar dess svar 56 % av gångerna och noterar en 39 % minskning av stora fel på komplexa frågor. Med medium resonemangsinställningar matchar o3-mini prestandan hos den större o1-modellen på utmanande resonemangsutvärderingar som AIME och GPQA, samtidigt som den bibehåller lägre latens och kostnad.

Guider för denna modell

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

o3-mini är OpenAIs kostnadseffektiva resonemangsmodell riktad mot STEM-arbete: vetenskap, matematik och kodning. Dess huvudfunktion är en justerbar resonemangsnivå — låg, medel eller hög — så du betalar bara för så mycket tänkande som uppgiften kräver. Vid medelnivå matchar den den större o1 på svåra resonemangsbenchmarks, vilket gör den till ett praktiskt standardval för utvecklare som vill ha resonemangsklassresultat utan resonemangsklasskostnader.

Känd för

Tre resonemangsnivåer låter dig byta mellan hastighet och kostnad mot svarskvalitet.
Matchar o1 på AIME och GPQA matematik- och vetenskapsbenchmarks vid medelnivå.
39 % färre stora fel på komplexa frågor jämfört med föregångaren.
Fullt utvecklarverktyg: funktionsanrop, strukturerade svar och streaming.
200 000 token kontextfönster hanterar långa kodbaser och tekniska dokument.

Se upp för

Ingen visuell support — kan inte bearbeta bilder, så multimodala uppgifter kräver annan modell.
Vikterna är slutna; du hyr åtkomst via API och kan inte köra den lokalt.
Utgående token kostar fyra gånger så mycket som inmatning, så utförliga resonemangskedjor blir snabbt dyra.

Bäst för

Kodning

Matematik

Resonemang

Agenter och verktygsanvändning

Promptar att prova

Debugga en knepig rekursion

Här är en rekursiv Python-funktion som beräknar antalet sätt att täcka en 2×N-bräda med 1×2-dominoer. Den ger fel svar för N större än 20. Hitta buggen, förklara varför den uppstår och ge en korrigerad version med en kort förklaring av åtgärden: def tile(n): if n == 0: return 1 if n == 1: return 1 return tile(n-1) + tile(n-2)

Bevisa ett kombinatoriskt resultat

Bevisa att för varje positivt heltal n är summan av de första n udda talen lika med n i kvadrat. Ge ett induktionsbevis, sedan ett andra bevis med en geometrisk eller kombinatorisk argumentation. Håll varje bevis självständigt och förklara varje steg.

Planera en flerstegsagent

Designa en minimal agent som anropar verktyg och svarar på frågor om en lokal SQLite-databas. Lista vilka verktyg den behöver, JSON-schemat för varje verktygsanrop och svar, beslutsloopen i pseudokod, och de två eller tre felmodeller du först skulle skydda mot.

Jämför med

gpt-oss-120b
Öppen vikt-modell
131,072 tokens kontext · $0.15/M indata, $0.60/M utdata
gpt-oss-20b
Öppen vikt-modell
131,072 tokens kontext · $0.02/M indata, $0.09/M utdata
GPT-5.6 Sol
Endast API-modell
1,050,000 tokens kontext · $4.00/M indata, $20.00/M utdata
GPT-6.1 Sol
Endast API-modell
1,050,000 tokens kontext · $2.00/M indata, $10.00/M utdata

Fler textmodeller från openai

Vanliga frågor

Kan jag köra o3-mini lokalt eller ladda ner vikterna?: Nej. o3-mini är en API-endast-modell från OpenAI; vikterna är inte offentliga och det finns inget sätt att köra den på egen hårdvara.
Vad kostar o3-mini och hur stor är dess kontext?: Den kostar $1,10 per miljon inmatningstoken och $4,40 per miljon utmatningstoken, med ett kontextfönster på 200 000 token.
Hur skiljer sig o3-mini från o1 och o3?: o3-mini är mindre och billigare än båda, men vid medelhögt resonemang matchar den o1 på svåra matematik- och vetenskapsbenchmarks; den byter bort en del toppkvalitet för lägre latens och kostnad, och den lägger till parametern reasoning_effort som o1 inte exponerar.

Kaptens omdöme
Resonemangsnivåreglaget är den verkliga styrkan: en vettig standard, lätt att höja när ett problem kräver det.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

DeepSeek V3.1 Terminus

AI-modeller för bild-, video- och textgenerering

O3 Mini är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm openai resonemang kodning matematik agenter

Bläddra efter modellfamilj