OpenAI o4-mini je nejnovější odlehčený model v řadě o-series, navržený pro efektivní a schopné uvažování napříč textovými a vizuálními úlohami. Optimalizovaný pro rychlost a výkon vyniká v generování kódu a porozumění založeném na obrazech, při zachování rovnováhy mezi latencí a hloubkou uvažování. Model podporuje kontextové okno o velikosti 200 000 tokenů s až 100 000 výstupními tokeny, což jej činí vhodným pro rozsáhlé interakce. Zvládá jak textové, tak obrazové vstupy a produkuje textové výstupy s pokročilými schopnostmi uvažování. Díky své kompaktní architektuře a všestrannému výkonu je o4-mini ideální pro širokou škálu reálných aplikací vyžadujících rychlou a nákladově efektivní inteligenci.
Webová stránka Webová stránka AI modelu | |
Poskytovatel Subjekt, který poskytuje tento model. | |
Chat Zadejte zprávu a začněte chatovat | |
Datum vydání Kdy byl model poprvé vydán. | 1 rok ago Dub 16, 2025 |
Modality Typy dat, která tento model dokáže zpracovat | text obrázky |
Poskytovatelé API Poskytovatelé, kteří tento model nabízejí. (Toto není vyčerpávající seznam.) | OpenAI API |
Datum uzávěrky znalostí Kdy byly poslední aktualizace znalostí modelu. | - |
Open Source Zda je kód modelu k dispozici pro veřejné použití. | Ne |
Cena za vstup Cena za zpracování tokenů ve vašich výzvách | $1.10 na milion tokenů |
Cena za výstup Cena za tokeny generované modelem | $4.40 na milion tokenů |
MMLU Massive Multitask Language Understanding - Testuje znalosti v 57 oblastech, včetně matematiky, historie, práva a dalších | fort |
MMLU-Pro Robustnější MMLU benchmark s těžšími, na uvažování zaměřenými otázkami, větším výběrem a nižší citlivostí na výzvy | - |
MMMU Massive Multitask Multimodal Understanding - Testuje porozumění napříč textem, obrázky, zvukem a videem | 81.6% Zdroj |
HellaSwag Náročný benchmark pro dokončení vět | - |
HumanEval Hodnotí schopnosti generování kódu a řešení problémů | 14.28% Zdroj |
MATH Testuje schopnosti řešení matematických problémů napříč různými úrovněmi obtížnosti | - |
GPQA Testuje znalosti na úrovni PhD z chemie, biologie a fyziky prostřednictvím otázek s výběrem, které vyžadují hlubokou odbornou znalost | 81.4% Zdroj |
IFEval Testuje schopnost modelu přesně dodržovat explicitní formátovací pokyny, generovat vhodné výstupy a udržovat konzistenci dodržování pokynů napříč různými úkoly | - |
SimpleQA Hodnocení přesnosti jednoduchých otázek | - |
AIME 2024 | 93.4% Zdroj |
AIME 2025 | 92.7% Zdroj |
Aider Polyglot Vícejazyčný programovací benchmark. | - |
LiveCodeBench v5 Benchmark pro programování v reálném čase | - |
Global MMLU (Lite) Zjednodušená verze benchmarku pro hodnocení univerzálnosti modelů na globální úrovni. | - |
MathVista Hodnotí schopnosti matematického uvažování modelů umělé inteligence ve vizuálních kontextech | - |
Mobilní aplikace | |
MathArena | |
| Průměrné skóre | 87% |
| AIME 2025 Test založený na úlohách ze soutěže v matematice (American Invitational Mathematics Examination),určený k ověření matematických dovedností modelů. | 92% |
| HMMT February 2025 Test založený na úlohách z Harvard-MIT Mathematics Tournament, únor 2025, určený k ověření matematických dovedností modelů. | 83% |
| BRUMO 2025 | 87% |
| SMT 2025 Test založený na úlohách ze Stanford Math Tournament, 2025, určený k ověření matematických dovedností modelů. | 89% |
| CMIMC 2025 Test založený na úlohách z Canadian Mathematical Olympiad, 2025, určený k ověření matematických dovedností modelů. | 84% |
Compare AI. Test. Benchmarks. Mobilní chatboty, Sketch
Copyright © 2026 All Right Reserved.