O4 Mini High
Réseau Neuronal
Modèle de raisonnement compact d'OpenAI avec un effort élevé : o4-mini-high pour le code, les maths et l'ingénierie.
Longueur maximale de la réponse
(en tokens)
Taille du contexte
(en tokens)
Coût du prompt
(par 1M tokens)
Coût de la réponse
(par 1M tokens)
Comment ça marche O4 Mini High?
o4-mini-high est le modèle o4-mini d'OpenAI avec le paramètre reasoning_effort réglé sur "high" : il s'agit du même modèle compact de la série o, mais avec une chaîne de raisonnement plus longue avant de répondre. La série o mise sur la vitesse et l'efficacité, vous obtenez donc une analyse détaillée sans avoir besoin d'un modèle lourd. Via BotHub, il fonctionne sans VPN ni carte étrangère : paiement en roubles par carte russe à l'usage, et les jetons non utilisés ne sont pas perdus. D'autres modèles sont accessibles dans la même fenêtre pour comparer facilement vos requêtes, et l'API compatible OpenAI permet de basculer entre eux sans réécrire l'intégration. Pour les équipes, nous proposons contrats, factures, gestion électronique des documents et un panneau d'administration avec limites, le tout chiffré en AES-GCM. Idéal pour résoudre des problèmes complexes de mathématiques ou de physique, trouver la cause d'un bug intermittent, concevoir et refactoriser un module, créer un agent avec appel de fonctions ou exécuter une série d'analyses répétitives.Questions fréquentes sur O4 Mini High
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
C'est un modèle de raisonnement compact d'OpenAI avec un contexte de 200 000 jetons. Il est adapté aux tâches STEM, aux mathématiques, à la logique, à l'analyse et au débogage de code, ainsi qu'à l'analyse de longs documents et d'images. Utile lorsque des conclusions étape par étape sont nécessaires, plutôt qu'une réponse rapide.
La limite de sortie est de 100 000 jetons par réponse. Cela suffit pour une documentation volumineuse, un grand module de code, une analyse détaillée avec calculs ou un long rapport analytique. Notez que le raisonnement du modèle consomme également des jetons.
Oui, le raisonnement avant réponse est confirmé. Le modèle traite d'abord la tâche en interne, puis fournit le résultat. Il est donc plus performant en mathématiques, en chaînes logiques et en débogage de code, où la séquence des étapes est plus importante que la vitesse.
Oui, le modèle prend en charge l'appel de fonctions (function calling) et la sortie structurée en JSON. Vous pouvez le connecter à des outils externes, des bases de données et vos propres services via l'API BotHub compatible OpenAI, et basculer vers un autre modèle sans réécrire l'intégration.
En plus du texte, les images et les documents sont acceptés en entrée, y compris le traitement natif des fichiers. Vous pouvez demander d'analyser une capture d'écran, un schéma, un graphique ou un PDF multipage. L'audio et la vidéo ne sont pas indiqués comme formats d'entrée pris en charge dans nos données.
Les modèles OpenAI de cette génération sont entraînés sur des données multilingues et fonctionnent de manière fiable avec les textes en russe : ils comprennent les requêtes, analysent les documents et le code avec des commentaires en russe. L'interface BotHub et le paiement par carte russe sont accessibles depuis la Russie sans VPN ni carte étrangère.