o4-mini
o4-mini ist OpenAIs kompaktes Reasoning-Modell mit nativem Vision-Eingang für Bilder, Diagramme und Screenshots. Das Modell verarbeitet Text und Bild, arbeitet mit einem Kontextfenster von 200.000 Tokens und bietet drei einstellbare Reasoning-Stufen für die Balance zwischen Antworttiefe und Latenz. Volles Tool-Use inklusive parallelem Tool-Calling für leichte agentische Workflows.
- Proprietär
- Frontier
- API
- Text
- Vision
- Instruction-Tuned
- Agentic Orchestrator
- Real-Time
Sovereign Risk: MEDIUM OpenAI ist ein US-amerikanisches Unternehmen und unterliegt dem CLOUD Act. Daten, die über die API übertragen werden, können US-Behörden zugänglich gemacht werden. Lokales Deployment ist nicht möglich.
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 69.47
- Routine
- 42.98
- Reasoning
- 26.49
- LLM Judge Avg
- 3.49 / 5
- 100 Coverage
- Avg Task Duration
- 12.31s
- Real-Time
- Token Rate
- 69.73tok/s
- Output Rate
- P95 Latency
- 23.84s
- Top 5 %
- Total Tokens
- 90100
- Output Volume
- Cost per 1K
- $0.0044
- USD / 1K Requests
- Benchmark Cost
- $0.4
- Total · 90100 tok
Benchmark-Module
10 Module · gewichtet · vs. Modellmedian & Spitzenreiter
o4-mini
Bestes Modell
Ø Alle Modelle
Code Quality
75.3
CLI Benchmark
90.56
Logical Reasoning
56.05
UX Writing
64.35
Documentation
66.19
Content Transform.
72.98
Cultural Intelligence
78.3
Synthesis Quality
40.83
Tool Execution
85
ToolUse Score
62.54
Benchmark Cost
$0.4
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.