OpenAI
GPT-6.1 Sol
gpt-6.1-sol
Contexte total
1.1M
Sortie max.
128K
Date de sortie
N/A
Entrée$2 / M tokens
Sortie$10 / M tokens
o3-mini
o3-minio3 Mini reprend les éléments mis en avant par les sources : cost-efficient o-series raisonnement model. Sa valeur principale se situe dans tâches STEM, mathématiques, science, programmation and faible latence raisonnement. La description doit donc insister sur ces caractéristiques propres au modèle, plutôt que le présenter comme un chatbot générique.
Context Window
200K tokens
Maximum Output
100K tokens
Release Date
20 déc. 2024
Modalities
Prix de o3-mini
| Prix entrée | Prix sortie | Lecture cache |
|---|---|---|
| $1.1/M | $4.4/M | $0.55/M |
Fonctionnalités API de o3-mini
Reasoning
Supported
Tool calling
Supported
Temperature parameter
Not supported
Attachments
Not supported
Knowledge Base
2024-05-01
Endpoint Protocols
Completions APIMessages APIgemini
Points forts de o3-mini
o3-mini fournit un raisonnement textuel compact, un long contexte et une exécution structurée pour les charges analytiques ciblées.
Raisonnement compact
Apporte des capacités de raisonnement dans un modèle réduit pour les tâches nécessitant une certaine profondeur avec des contraintes de latence et de coût.
Long contexte textuel
Prend en charge une fenêtre de 200 000 jetons pour raisonner sur de longs textes, du code et des enregistrements structurés.
Contrôle des sorties structurées
Organise les résultats analytiques selon des schémas cohérents afin de faciliter leur traitement fiable par les systèmes en aval.
Cas d’usage de o3-mini
o3-mini convient aux tâches de raisonnement textuel comme l’analyse de politiques, la conversion texte-SQL et l’extraction structurée d’entités.
Analyse de politiques
Lit de longues politiques, évalue un cas selon les conditions énoncées et explique la décision obtenue.
Conversion texte-SQL
Traduit des questions analytiques et des schémas de base de données en requêtes SQL, puis en explique la logique.
Extraction de relations d’entités
Identifie les entités et leurs relations dans de grands corpus textuels et produit des enregistrements adaptés aux graphes ou bases de données.
Comment utiliser o3-mini via l’API TokenHub
import OpenAI from "openai"
const client = new OpenAI({
apiKey: process.env.TOKENHUB_API_KEY,
baseURL: "https://us-api.tokenhub.com/v1",
})
const result = await client.chat.completions.create({})
console.log(result.choices[0]?.message?.content)Benchmark de o3-mini
| Score d’indice | ||
|---|---|---|
| Artificial Analysis Intelligence Index | Synthèse générale des capacités par Artificial Analysis | 18.4 |
| Artificial Analysis Coding Index | Synthèse des tâches logicielles par Artificial Analysis | 17.3 |
| Connaissances et raisonnement | ||
| MMLU-Pro | Connaissances multitâches avancées | 80.2% |
| GPQA | Résolution avancée de problèmes scientifiques | 77.3% |
| HLE | Large ensemble d’examens de niveau expert | 12.3% |
| Programmation et ingénierie | ||
| LiveCodeBench | Problèmes de programmation récents | 73.4% |
| SciCode | Défis de programmation scientifique | 39.8% |
| Terminal-Bench Hard | Exécution de tâches complexes dans un terminal | 6.1% |
| Mathématiques | ||
| MATH-500 | Résolution avancée de problèmes mathématiques | 98.5% |
| AIME | Problèmes de mathématiques de compétition | 86% |
| Respect des instructions et tâches d’agent | ||
| IFBench | Respect des contraintes du prompt | 67.1% |
| AA-LCR | Raisonnement en contexte long | 39.3% |
| τ²-Bench | Tâches de workflow agentique | 31.3% |
Mesures provenant de Artificial Analysis
FAQ sur o3 Mini
Capacités, usages, limites et guide TokenHub pour o3 Mini.
Comment comprendre o3 Mini en équipe ?+
o3 Mini est un modèle proposé par OpenAI pour le raisonnement STEM et code à coût maîtrisé.
À quoi o3 Mini convient-il le mieux ?+
Idéal pour le raisonnement mathématique, le raisonnement scientifique et le raisonnement sur le code, surtout si l’objectif est la vitesse et la maîtrise des coûts.
Quel est l’atout principal de o3 Mini ?+
Atout clé : un solide raisonnement STEM et code dans un petit modèle texte.
o3 Mini est-il toujours le meilleur choix ?+
Il est obsolète ou remplacé, donc peu adapté comme choix par défaut pour une nouvelle intégration. Pour une nouvelle intégration, préférez GPT-5.4 Mini.
Quelle est la configuration la plus sûre ?+
Vérifiez sa disponibilité; utilisez le modèle actuellement recommandé pour une nouvelle intégration.
Prêt à utiliser o3-mini ?
Accédez à o3-mini et à d’autres modèles d’IA avec une seule clé API TokenHub.
MéDias Et Discussions
Sélection de vidéos et publications publiques liées à ce modèle.
X (Twitter)
OpenAI ·
OpenAI o3-mini is now available in ChatGPT and the API. Pro users will have unlimited access to o3-mini and Plus & Team users will have triple the rate limits (vs o1-mini). Free users can try o3-mini in ChatGPT by selecting the Reason button under the message composer.
Voir la sourceOpenAI ·
OpenAI o3-mini is a powerful and fast reasoning model that is particularly strong in science, math, and coding. https://openai.com/index/openai-o3-mini/
Voir la sourceOpenAI Developers ·
OpenAI o3-mini is now available in the API for developers on tiers 3–5. It comes with a raft of developer features: ⚙️ Function calling 📝 Developer messages 🗂️ Structured Outputs 🧠 Reasoning effort 🌊 Streaming 📦 Batch API support 🤖 Assistants API support
Voir la sourceReddit
OpenAI o3-mini
WalkThePlankPirate ·
Voir la sourceo3-mini and o3-mini-high are rolling out shortly in ChatGPT
ShreckAndDonkey123 ·
Voir la sourceo3-mini is so good… is AI automation even a job anymore?
Own-Guava11 ·
Lire la publication complète
As an automations engineer, among other things, I’ve played around with o3-mini API this weekend, and I’ve had this weird realization: what’s even left to build? I mean, sure, companies have their task-specific flows with vector search, API calling, and prompt chaining to emulate human reasoning/actions—but with how good o3-mini is, and for how cheap, a lot of that just feels unnecessary now. You can throw a massive chunk of context at it with a clear success criterion, and it just gets it right. For example, take all those elaborate RAG systems with semantic search, metadata filtering, graph-based retrieval, etc. Apart from niche cases, do they even make sense anymore? Let’s say you have a knowledge base equivalent to 20,000 pages of text (~10M tokens). Someone asks a question that touches multiple concepts. The maximum effort you might need is extracting entities and running a parallel search… but even that’s probably overkill. If you just do a plain cosine similarity search, cut it down to 100,000 tokens, and feed that into o3-mini, it’ll almost certainly find and use what’s relevant. And as long as that’s true, you’re done—the model does the reasoning. Yeah, you could say that ~$0.10 per query is expensive, or that enterprises need full control over models. But we've all seen how fast prices drop and how open-source catches up. Betting on "it's too expensive" as a reason to avoid simpler approaches seems short-sighted at this point. I’m sure there are lots of situations where this rough picture doesn’t apply, but I suspect that for the majority of small-to-medium-sized companies, it absolutely does. And that makes me wonder is where does that leave tools like Langchain? If you have a model that just works with minimal glue code, why add extra complexity? Sure, some cases still need strict control etc, but for the vast majority of workflows, a single well-formed query to a strong model (with some tool-calling here and there) beats chaining a dozen weaker steps. This shift is super exciting, but also kind of unsettling. The role of a human in automation seems to be shifting from stitching together complex logic, to just conveying a task to a system that kind of just figures things out. Is it just me, or the Singularity is nigh? 😅
YouTube
OpenAI's O3 Mini in 6 Minutes 🚀
Developers Digest
Voir la sourceChatGPT o3 Mini is here - Best Model I've Ever Tested
Skill Leap AI
Voir la sourceOpenAI O3 Mini: Faster, Smarter, But Is It Better?
Prompt Engineering
Voir la source