Mis on o4-mini-deep-research?
o4-mini-deep-research on OpenAI spetsiaalne arutlusmudel uurimisülesannete jaoks, mis nõuavad mitut tööetappi, mitte lihtsalt lühikest ja otsest vastust. Tüüpiline töövoog võib hõlmata asjakohaste allikate otsimist, teabe väljavõtmist, vastuoluliste väidete võrdlemist, kaasatud dokumentide analüüsimist ja tõenditele tugineva aruande koostamist.
Mudel on loodud eelkõige sellisteks uurimisteks, mitte igat tüüpi tehisintellekti töökoormuse jaoks. OpenAI kirjeldab seda kiirema ja taskukohasema süvauuringute mudelina. Praktikas paikneb see keskteel: see on püsivaks uurimistööks ja allikate sünteesiks keskendunum kui üldine vestlusmudel, samal ajal püüdes olla odavam ja täita ülesandeid kiiremini kui OpenAI suurem o3-deep-research-valik.
Praegune kanooniline mudelialias on o4-mini-deep-research. OpenAI loetleb ka kuupäevastatud hetktõmmise o4-mini-deep-research-2025-06-26, kuid see hetktõmmis on märgitud aegunuks. Seetõttu peaksid rakendused kasutama kanoonilist aliast, kui neil on vaja praegu dokumenteeritud mudeliidentiteeti.
Kuidas selle uurimistöö töövoog toimib?
o4-mini-deep-research on mõeldud uurimisteks, mille puhul ei saa vastust usaldusväärselt koostada ainult ühe viiba ja mudeli olemasolevate teadmiste põhjal. Responses API kaudu saab see töötada mitme välise tööriistaga:
- Veebiotsing: hangib uurimistöö käigus veebiallikatest ajakohast teavet.
- Kaug-MCP-serverid: loob ühenduse ühilduvate väliste otsingu- ja andmeotsinguteenustega. Süvauuringute MCP-integratsioonid vajavad tööriistu, mis pakuvad nõutavaid otsingu- ja andmehanketoiminguid.
- Failiotsing: otsib vektorhoidlates talletatud dokumentidest, võimaldades töövoos kasutada organisatsiooni sisematerjale.
- Kooditõlgendaja: toetab uurimisprotsessi osana andmeanalüüsi ja arvutusi.
Need tööriistad ei muuda mudeli aluseks olevat treeningandmete lõppkuupäeva. OpenAI märgib teadmiste lõppkuupäevaks 1. juuni 2024, samas kui veebiotsing ja ühendatud allikad võivad konkreetse töö käigus pakkuda uuemat teavet. See erinevus on oluline: sobivate tööriistade lubamisel saab mudel uurida pärast teadmiste lõppkuupäeva toimunud sündmusi, kuid võrguühenduseta viiba puhul ei tohiks eeldada, et see sisaldab neid hilisemaid fakte.
Sisendid, modaalsused ja väljund
Kontrollitud modaalsuste profiil on suhteliselt kitsas. Mudel võtab vastu teksti- ja pildisisendeid ning genereerib tekstiväljundit. Seega saab pilte kasutada uurimise tõendmaterjali või kontekstina, kuid mudel ei ole piltide genereerimise süsteem.
- Tekstisisend: toetatud.
- Pildisisend: toetatud.
- Helisisend: ei ole toetatud.
- Videosisend: ei ole toetatud.
- Tekstiväljund: toetatud.
- Pildi-, heli- või videoväljund: ei ole toetatud.
See muudab o4-mini-deep-researchi sobivaks kirjalike uurimistöö tulemuste, näiteks aruannete, tõendikokkuvõtete, turuanalüüside ja dokumendiarvustuste koostamiseks. See ei ole õige valik häälvestlusteks, meedia genereerimiseks ega rakendusteks, mille puhul peab mudel ise tagastama pilte, heli või videot.
Kontekstiaken ja tehnilised piirangud
o4-mini-deep-researchi kontekstiaken on 200 000 tokenit ja see toetab maksimaalselt 100 000 tokeni pikkust väljundit. Token on mudeli töödeldava tekstiühik; dokumendis sisalduvate tokenite täpne arv sõltub keelest ja vormindusest. Need piirid on piisavalt suured töövoogude jaoks, mis hõlmavad mahukat lähtematerjali, pikki faile ja üksikasjalikke lõpparuandeid, kuigi kasutatav ruum tuleb endiselt jagada juhiste, hangitud sisu, vestlusajaloo ja genereeritud väljundi vahel.
| Spetsifikatsioon | Kontrollitud üksikasjad |
|---|---|
| Mudelite perekond | o4 |
| Mudeli tüüp | Arutlus ja süvauuringud |
| Kontekstiaken | 200 000 tokenit |
| Maksimaalne väljund | 100 000 tokenit |
| Teadmiste lõppkuupäev | 1. juuni 2024 |
| Voogedastus | Toetatud |
| Pakktöötlus | Toetatud |
| Peenhäälestus | Ei ole toetatud |
OpenAI mudelidokumentatsioon märgib, et funktsioonikutsed ja struktureeritud väljundid ei ole toetatud. See on oluline praktiline piirang. Kuigi mudel saab dokumenteeritud süvauuringute töövoo kaudu kasutada uurimistööriistu, ei tohiks seda segi ajada tavapärase funktsioonikutsumise liidese või skeemiga piiratud JSON-vastuste toetamisega. Rakendused, mis neid funktsioone vajavad, võivad vajada teist mudelit või mudelivälist orkestreerimiskihti.
Hinnastamine ja kulude kompromissid
Dokumenteeritud tavahind on 2,00 dollarit 1 miljoni sisendtokeni kohta, vahemällu salvestatud sisendi hind on 0,50 dollarit 1 miljoni tokeni kohta. Väljundi hind on 8,00 dollarit 1 miljoni tokeni kohta. Sisendi- ja väljundihinnad kehtivad päringu eri osadele, mistõttu võib pikk genereeritud aruanne maksta rohkem kui lühike vastus isegi siis, kui lähteviip jääb samaks.
OpenAI toetab selle mudeli puhul pakktöötlust, kuid esitatud mudelidokumentatsioon ei kinnita täpset pakktöötluse hinda. Kõige turvalisem on kasutada tavapäraste päringute puhul ülaltoodud standardhindu ja käsitleda pakktöötluse kättesaadavust eraldi operatiivse funktsioonina, eeldamata konkreetset allahindlust.
Peamine väärtuspakkumine ei seisne lihtsalt madalas tokenihinnas. Süvauuringute ülesanded võivad hõlmata pikki viipasid, hangitud allikaid, tööriistade kasutamist ja mahukaid aruandeid, mistõttu sõltub kogukulu kogu töövoost. o4-mini-deep-research on atraktiivne siis, kui ülesanne vajab põhjalikku arutlust ja allikate sünteesi, kuid ei õigusta suurema süvauuringute mudeliga kaasnevat kulu või aeglasemat täitmist.
Arutlus- ja kodeerimisprofiil
Selle arutlusvõime on mudeli eesmärgi keskmes. Mudel on mõeldud keerukate küsimuste osadeks jaotamiseks, mitme allika põhjal töötamiseks, tõendite võrdlemiseks ja sidusa vastuse sünteesimiseks. See erineb lihtsalt lõigu otsimisest või lühikese viiba lõpetamisest: väärtuslik tulemus on uurimisahel, mis viib kirjaliku järelduseni.
Kooditõlgendaja tugi muudab mudeli kasulikuks ka sellistes uurimistöödes, mis hõlmavad struktureeritud andmeid, arvutusi või teisendusi, mida on käsitsi keeruline usaldusväärselt teha. Näiteks võib töövoog ühendada hangitud turuteabe arvutustega või analüüsida esitatud andmestikku enne tulemuste esitlemist. Esitatud uuring ei kinnita siiski, et o4-mini-deep-research oleks spetsiaalne tarkvaraarenduse mudel. Selle kodeerimistuge on kõige parem käsitleda uurimis- ja andmeanalüüsivahendina, mitte spetsialiseeritud programmeerimisvõimekuse garantiina.
Toimetuslikus uurimisprofiilis hinnatakse selle arutlusvõimet 9 punktiga 10-st, kodeerimist 7 punktiga 10-st, kiirust 8 punktiga 10-st ja maksumust 8 punktiga 10-st. Need on toimetuslikud hinnangud, mitte OpenAI avaldatud võrdlustestide tulemused ega ametlikud jõudlusgarantiid. Need võtavad kokku mudeli kavandatud tasakaalu ja neid ei tohiks käsitleda standardiseeritud testitulemustena.
Parimad kasutusjuhud
o4-mini-deep-research sobib hästi siis, kui ülesanne nõuab nii uurimist kui ka selgitamist. Sobivad näited on järgmised:
- Õigus- või teadusuuringute kokkuvõtete koostamine mitme allika põhjal.
- Toodete, ettevõtete, turgude või konkureerivate väidete võrdlemine.
- Suurte sisemiste dokumendikogumite analüüsimine failiotsingu abil.
- Tõenduspõhiste aruannete koostamine, mis vajavad ajakohast veebiteavet.
- Küsimuse uurimine, mis hõlmab mitut omavahel seotud alaküsimust.
- Hangitud teabe ühendamine arvutuste või andmeanalüüsiga.
- Piltide läbivaatamine koos kirjalike dokumentidega laiema uurimisülesande osana.
Mudel on eriti kasulik siis, kui lõpptulemuseks on üksikasjalik kirjalik selgitus, mitte lihtsalt üks fakt. Selle pikk kontekstiaken ja suur väljundipiir aitavad samuti allikamahukate ülesannete puhul, eeldusel et rakendus kontrollib hangitud materjali hulka ja kvaliteeti.
Millal valida o4-mini-deep-research?
Vali o4-mini-deep-research siis, kui vajad uurimisele keskenduvat arutlusmudelit, millel on juurdepääs välisele teabele, kuid soovid OpenAI suuremast süvauuringute mudelist kiiremat ja odavamat võimalust. See on praktiline valik korduvateks uurimisteks, siseteadmiste ülevaatamiseks, turu-uuringuteks ja aruanneteks, mille puhul on allikate sünteesi kvaliteet olulisem kui mittetekstilise meedia genereerimine.
Lühikeste küsimuste, tavapärase tekstiloome või töövoogude puhul, mis ei vaja veebiotsingut ega mitmeetapilist analüüsi, võib sobivam olla tavaline üldotstarbeline mudel. Kui rakendus peab tagastama range skeemiga kooskõlas olevaid andmeid, võib eelistada mudelit, mis toetab tavapäraseid funktsioonikutseid või struktureeritud väljundeid. Reaalajas heli, piltide genereerimise, video või muude mittetekstiliste väljundite vajaduse korral on parem valik hääle- või meediamudel.
Uurimistööde puhul on valik peamiselt võimekuse ja maksumuse vaheline otsus. o4-mini-deep-research on mõeldud säilitama süvauuringute töövoo põhifunktsioonid, vähendades samal ajal suurema o3-deep-research-mudeliga võrreldes kulu ja parandades kiirust. Kompromiss seisneb selles, et tegemist on endiselt spetsialiseeritud mudeliga: seda ei tohiks valida pelgalt suure kontekstiakna tõttu, kui rakenduse peamine vajadus on struktureeritud automatiseerimine, peenhäälestus, meedia genereerimine või väga spetsialiseeritud tarkvaraarendus.
Piirangud, millega arvestada
Enne juurutamist tuleks arvesse võtta mitut piirangut:
- Mudel genereerib ainult teksti, mistõttu vajab hilisem meedia genereerimine teist süsteemi.
- Heli- ja videosisendeid ei toetata.
- Funktsioonikutsed ja struktureeritud väljundid on märgitud toetamata, mis piirab otsest integreerimist rangete tööriistaskeemide ja masinloetavate vastuselepingutega.
- Peenhäälestust ei toetata.
- 1. juuni 2024 teadmiste lõppkuupäeva tõttu vajab ajakohane teave veebiotsingut või muud ühendatud allikat.
- Tööriistadega toetatud uurimistöö võib kaasa tuua allikate kvaliteedi, andmete hankimise ja orkestreerimisega seotud kaalutlusi, mis on mudeli arutlusvõimest eraldi.
Kokkuvõttes on o4-mini-deep-researchi kõige parem käsitleda keskendunud uurimismootorina: see on loodud uurima, analüüsima ja kirjutama ning välised tööriistad laiendavad selle juurdepääsu teabele. Selle atraktiivsus tuleneb pika konteksti, suure väljundimahu, tööriistadega toetatud uurimistöö ja OpenAI süvauuringute mudelite valikus madalama hinnapositsiooni kombinatsioonist, mitte laialdasest toest igat tüüpi tehisintellektirakendustele.