Az OpenAI o4-mini az o-sorozat legújabb, könnyű modellje, amelyet hatékony és képes gondolkodásra terveztek szöveges és vizuális feladatokban. A sebesség és teljesítmény optimalizálásával kiemelkedik a kódgenerálásban és a képalapú megértésben, miközben megőrzi a késleltetés és a gondolkodás mélysége közötti egyensúlyt. A modell 200 000 tokenes kontextusablakot támogat, legfeljebb 100 000 kimeneti tokenig, ami lehetővé teszi a kiterjedt, nagy mennyiségű interakciókat. Kezeli a szöveges és képes bemeneteket is, szöveges kimeneteket állít elő fejlett gondolkodási képességekkel. Kompakt architektúrájával és sokoldalú teljesítményével az o4-mini ideális számos valós alkalmazáshoz, amelyek gyors és költséghatékony intelligenciát igényelnek.
A Gemini 2.0 Pro a Google eddigi legfejlettebb modellje, amely kivételes kódolási teljesítményt nyújt, és könnyedén kezeli az összetett utasításokat. Fejlett funkciókkal rendelkezik, mint például a natív eszközintegráció, a képalkotás és a beszédszintézis. Fejlett érvelési képességekre tervezve a modell támogatja a multimodális bemeneteket, beleértve a szöveget, képeket, videót és hangot. Elérhető a Google AI Studio és a Vertex AI platformokon, és jelentős teljesítményjavulást kínál a korábbi verziókhoz képest, miközben magas hatékonyságot biztosít.
| o4-mini | Gemini 2.0 Pro | |
|---|---|---|
Weboldal
| ||
Szolgáltató
| ||
Csevegés
| ||
Kiadási Dátum
| ||
Modalitások
| szöveg képek | szöveg képek hang videó |
API Szolgáltatók
| OpenAI API | Google AI Studio, Vertex AI |
Tudás Befejezési Dátuma
| - | 08.2024 |
Nyílt Forráskódú
| Nem | Nem |
Bemeneti Árazás
| $1.10 millió tokenenként | $0.10 millió tokenenként |
Kimeneti Árazás
| $4.40 millió tokenenként | $0.40 millió tokenenként |
MMLU
| fort | Nem elérhető |
MMLU-Pro
| - | 79.1% Forrás |
MMMU
| 81.6% Forrás | 72.7% Forrás |
HellaSwag
| - | Nem elérhető |
HumanEval
| 14.28% Forrás | Nem elérhető |
MATH
| - | 91.8% Forrás |
GPQA
| 81.4% Forrás | 64.7% Diamond Forrás |
IFEval
| - | Nem elérhető |
SimpleQA
| - | - |
AIME 2024 | 93.4% Forrás | - |
AIME 2025 | 92.7% Forrás | - |
Aider Polyglot
| - | - |
LiveCodeBench v5
| - | - |
Global MMLU (Lite)
| - | - |
MathVista
| - | - |
Mobilalkalmazás | ||
MathArena | ||
| Átlagpontszám | 87% | - |
AIME 2025 Teszt, amely az American Invitational Mathematics Examination verseny feladataira épül, és a modellek matematikai készségeinek ellenőrzésére szolgál. | 92% | - |
HMMT February 2025 Teszt, amely a Harvard-MIT Mathematics Tournament 2025. februári feladataira épül, és a modellek matematikai készségeinek ellenőrzésére szolgál. | 83% | - |
BRUMO 2025 | 87% | - |
SMT 2025 Teszt, amely a Stanford Math Tournament 2025. évi feladataira épül, és a modellek matematikai készségeinek ellenőrzésére szolgál. | 89% | - |
CMIMC 2025 Teszt, amely a Canadian Mathematical Olympiad 2025. évi feladataira épül, és a modellek matematikai készségeinek ellenőrzésére szolgál. | 84% | - |
Compare AI. Test. Benchmarks. Mobil Chatbot Alkalmazások, Sketch
Copyright © 2026 All Right Reserved.