Kan jag köra o4 Mini lokalt?

Nej. OpenAI har inte släppt vikterna, så det är endast API – du kan inte köra den på egen hårdvara.

Vad kostar o4 Mini och hur stort är dess kontextfönster?

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

Hur skiljer sig o4 Mini från o3 Mini och o3?

o4 Mini presterar bättre än sin föregångare o3-mini och närmar sig mycket av gapet till fulla o3 på kodnings- och STEM-benchmarks, samtidigt som den är snabbare och billigare än o3.

O4 Mini

1678°

#llm #openai #vision #resonemang #kodning #matematik

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 o4-mini är en kompakt resonemangsmodell i o-serien, optimerad för snabb, kostnadseffektiv prestanda samtidigt som starka multimodala och agentiska förmågor bibehålls. Den stödjer verktygsanvändning och visar konkurrenskraftig resonemangs- och kodningsprestanda över benchmark som AIME (99,5% med Python) och SWE-bench, och överträffar sin föregångare o3-mini och närmar sig till och med o3 i vissa domäner. Trots sin mindre storlek uppvisar o4-mini hög noggrannhet i STEM-uppgifter, visuella problemlösningar (t.ex. MathVista,…OpenAI | 200,000 token kontext | $1.10/M input, $4.40/M output. OpenAI o4-mini är en kompakt resonemangsmodell i o-serien, optimerad för snabb, kostnadseffektiv prestanda samtidigt som starka multimodala och agentiska förmågor bibehålls. Den stödjer verktygsanvändning och visar konkurrenskraftig resonemangs- och kodningsprestanda över benchmark som AIME (99,5% med Python) och SWE-bench, och överträffar sin föregångare o3-mini och närmar sig till och med o3 i vissa domäner. Trots sin mindre storlek uppvisar o4-mini hög noggrannhet i STEM-uppgifter, visuella problemlösningar (t.ex. MathVista, MMMU) och kodredigering. Den är särskilt väl lämpad för höggenomströmning där latens eller kostnad är kritiskt. Tack vare sin effektiva arkitektur och förfinade förstärkningsinlärningsträning kan o4-mini kedja verktyg, generera strukturerade utdata och lösa flerstegsuppgifter med minimal fördröjning – ofta på under en minut.

Guider för denna modell

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

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

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

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

o4 Mini är OpenAIs kompakta resonemangsmodell, byggd för att leverera stark STEM-, kodnings- och visuella problemlösningar till en bråkdel av kostnaden för sina större syskon. Den stödjer verktygsanvändning, strukturerade svar och flerstegs agentiska uppgifter samtidigt som latensen hålls låg. Om du behöver seriös resonemangsgenomströmning utan en seriös nota är detta det praktiska valet i o-serien.

Känd för

Stark kodningsprestanda, inklusive konkurrenskraftiga resultat på SWE-bench.
STEM- och matematisk resonemangsförmåga som överträffar sin storleksklass.
Visuell problemlösning: hanterar bildbaserad matematik och multimodala uppgifter.
Verktygsanvändning och flerstegs agentiska kedjor med låg latens.
Betydligt billigare än o3 samtidigt som den närmar sig o3 på flera benchmarks.

Se upp för

Vikterna är stängda; du kör via OpenAIs API, ingen lokal distribution.
Utmatningstoken kostar fyra gånger inmatningspriset, så ordrika uppgifter blir snabbt dyra.
Tänketid är inbakad – du styr inte resonansbudgeten direkt.

Bäst för

Kodning

Resonemang

Matematik

Agenter och verktygsanvändning

Syn

Promptar att prova

Debugga en knepig async-bugg

Här är en Python async-funktion som ibland kastar ett RuntimeError om att event-loopen är stängd när den anropas från en trådpool-exekutor. Gå igenom varför detta händer, och skriv sedan om funktionen så att den är säker att anropa från både synkrona och asynkrona kontexter utan att ändra dess externa gränssnitt.

Planeringsproblem i flera steg

En fabrik har tre maskiner. Maskin A tar 4 minuter per enhet, B tar 6 minuter och C tar 3 minuter. Du har totalt 8 timmar maskintid att fördela över alla tre. Varje producerad enhet kräver en passering genom A, sedan antingen B eller C men inte båda. Maximera totala producerade enheter och visa ditt resonemang steg för steg.

Visuell matematik från en bild

Jag bifogar ett foto av ett geometriproblem från en lärobok. Identifiera alla givna mått, ange vilka satser du använder och lös för okänd vinkel eller längd. Visa varje steg tydligt.

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-6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.10/M indata, $0.50/M utdata
GPT-5.6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.20/M indata, $1.20/M utdata

Fler textmodeller från openai

Vanliga frågor

Kan jag köra o4 Mini lokalt?: Nej. OpenAI har inte släppt vikterna, så det är endast API – du kan inte köra den på egen hårdvara.
Vad kostar o4 Mini och hur stort är dess kontextfönster?: Det kostar $1,10 per miljon inmatningstoken och $4,40 per miljon utmatningstoken, med ett kontextfönster på 200 000 token.
Hur skiljer sig o4 Mini från o3 Mini och o3?: o4 Mini presterar bättre än sin föregångare o3-mini och närmar sig mycket av gapet till fulla o3 på kodnings- och STEM-benchmarks, samtidigt som den är snabbare och billigare än o3.

Kaptens omdöme
Det förnuftiga standardvalet för resonemangsarbete i hög volym: o3-nivåresultat på de flesta STEM- och kodningsuppgifter, till ett pris som inte kräver budgetmöte.

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

AI-modeller för bild-, video- och textgenerering

O4 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 vision resonemang kodning matematik agenter

Bläddra efter modellfamilj