OpenAI: o3 Mini High

OpenAI o3 Mini High adalah model teks dari OpenAI. Ini adalah model dasar yang sama dengan o3-mini, dengan parameter reasoning_effort yang secara efektif dipatok ke high, sehingga Anda mendapatkan versi paling deliberatif dari perilaku penalaran model tersebut alih-alih arsitektur yang terpisah. OpenAI memposisikan o3-mini sebagai model bahasa yang hemat biaya dan dioptimalkan untuk penalaran STEM, dan varian high-effort ini ditujukan untuk pekerjaan di mana kedalaman penalaran ekstra tersebut lebih penting daripada latensi.

Model ini menerima input teks dan file serta mengembalikan teks. Model ini memiliki context window sebesar 200.000 token dan dapat menghasilkan hingga 100.000 output token, sehingga input panjang dan jawaban terstruktur yang panjang sama-sama dapat dilakukan dalam satu permintaan. Knowledge cutoff-nya adalah 31 Oktober 2023. Penalaran adalah bagian utama dari cara model ini berperilaku, bukan tambahan, yang membentuk baik kekuatannya maupun cara Anda mengonfigurasi panggilan ke model ini.

Kemampuan tersebut mengarah pada use case yang cukup spesifik. Soal sains dan matematika, termasuk derivasi multi-langkah dan analisis kuantitatif, adalah yang paling cocok mengingat fokus STEM model ini. Kombinasi input file, context window yang besar, dan output terstruktur membuatnya wajar untuk tugas seperti mengekstrak dan menalar dokumen teknis, meninjau kode atau spesifikasi untuk kebenaran, dan menghasilkan JSON yang dibatasi skema yang dapat dikonsumsi sistem hilir. Tool calling memperluas ini ke alur kerja di mana model perlu memanggil fungsi atau layanan eksternal sebagai bagian dari rantai penalaran yang lebih panjang. Karena Anda dapat meminta output penalaran, model ini juga cocok untuk kasus di mana jejak pemikiran model yang dapat diaudit berguna bersama jawaban akhir.

Melalui api14 Anda memanggilnya dengan model id "openai/o3-mini-high" menggunakan API yang kompatibel dengan OpenAI, sehingga SDK dan klien OpenAI yang ada dapat bekerja dengan mengubah base URL dan key. Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, dan tools. Dalam praktiknya, itu berarti Anda dapat menetapkan anggaran output token, mengontrol apakah konten penalaran dikembalikan, mengarahkan perilaku penalaran, meminta respons JSON atau yang sesuai skema, menetapkan seed untuk reproduktifitas, dan melampirkan tools dengan kebijakan tool_choice yang dipilih.

Hal utama yang perlu dipertimbangkan adalah bahwa ini adalah konfigurasi high-effort dari lini model yang sengaja dibuat hemat biaya, bukan model frontier, dan reasoning effort bukan sesuatu yang Anda turunkan di sini jika Anda menginginkan perilaku yang dimaksudkan dari varian ini. Knowledge cutoff 31 Oktober 2023 berarti apa pun setelah tanggal itu harus berasal dari prompt, file, atau tools Anda. Jika suatu tugas tidak bergantung pada penalaran STEM yang mendalam, model yang lebih ringan mungkin menjadi default yang lebih masuk akal.