Kursus
Mengembangkan Sistem AI dengan OpenAI API
3 jam
22.9K
OpenAI baru-baru ini memperkenalkan o4-mini, model penalaran baru yang dirancang lebih cepat dan lebih murah daripada o3, sambil tetap mendukung alat seperti Python, penelusuran, dan input gambar. Berbeda dengan o3-mini, model ini juga multimodal secara bawaan.
Di artikel ini, saya meninjau lebih dekat apa saja yang benar-benar dapat dilakukan o4-mini. Saya menjalankan beberapa pengujian praktis pada matematika, kode, dan input visual, dan saya sertakan angka tolok ukur resmi OpenAI untuk menunjukkan bagaimana perbandingannya dengan model seperti o3 dan o1.
Anda juga akan menemukan detail harga, ketersediaan, dan kapan masuk akal untuk memilih o4-mini dibandingkan model lain.
Kami terus memperbarui pembaca tentang kabar terbaru AI melalui The Median, buletin gratis setiap Jumat yang merangkum cerita-cerita kunci pekan ini. Berlangganan dan tetap tajam hanya dalam beberapa menit per minggu:
Apa Itu O4-Mini?
O4-mini adalah model penalaran berskala kecil terbaru OpenAI dalam seri o. Model ini dioptimalkan untuk kecepatan, keterjangkauan, dan penalaran yang diperkuat alat, dengan jendela konteks 200.000 token dan dukungan hingga 100.000 token output—setara dengan o3 dan o1.
Sumber: OpenAI
Perbedaan paling menonjol ada pada biaya dan efisiensi penerapan. o4-mini berjalan dengan $1,10 per satu juta token input dan $4,40 per satu juta token output, dibanding harga o3 sebesar $10,00 untuk input dan $40,00 untuk output—sekitar 10x penghematan biaya untuk input dan output. Seperti yang akan kita lihat pada bagian tolok ukur, o4-mini menawarkan kinerja yang sebanding dengan o3.
Harga API o4-mini (kiri) vs. harga o3 (kanan)
Dari sisi alat, o4-mini kompatibel dengan Python, penelusuran, dan input gambar, serta terintegrasi dengan endpoint standar OpenAI, termasuk Chat Completions dan Responses. Streaming, pemanggilan fungsi, dan output terstruktur didukung. Fine-tuning dan embeddings tidak didukung.
o4-mini vs. o4-mini-high
Jika Anda membuka aplikasi ChatGPT, Anda mungkin melihat opsi untuk memilih antara o4-mini dan o4-mini-high. o4-mini-high adalah konfigurasi dari model yang sama dengan upaya inferensi yang ditingkatkan. Artinya:
- Model menghabiskan lebih banyak waktu memproses setiap prompt secara internal,
- Umumnya menghasilkan output berkualitas lebih tinggi, terutama untuk tugas multi-langkah,
- Namun dengan waktu respons yang lebih lambat dan potensi penggunaan token yang lebih tinggi.
Jika Anda membutuhkan penyelesaian yang lebih cepat, o4-mini mungkin lebih tepat. Untuk penalaran yang lebih kompleks (terutama jika penalaran harus dilakukan pada pengkodean atau input visual), konteks yang lebih panjang, atau kasus penggunaan yang menuntut presisi, o4-mini-high dapat memberikan output yang lebih baik.
Menguji O4-Mini
Mari uji o4-mini pada sedikit matematika, pengkodean, dan input multimodal.
Matematika
Pertama, saya ingin mulai dengan perhitungan sederhana yang biasanya membingungkan model bahasa. Saya tidak mencoba menguji kemampuan aritmetika dasar—alih-alih, saya ingin melihat apakah model akan memilih metode yang tepat untuk menyelesaikannya, baik dengan bernalar langkah demi langkah atau dengan memanggil alat seperti kalkulator.
Output pertama salah. Saya menyarankan menggunakan kalkulator, dan meski jawaban kedua benar, masih ada dua masalah. Pertama, hasilnya dideskripsikan sebagai “kira-kira”, padahal tidak ada pembulatan atau perkiraan yang diperlukan untuk pengurangan ini.
Kedua, penalarannya menunjukkan bahwa model sebenarnya tidak menggunakan kalkulator, meskipun output menyatakan “Kalkulator menunjukkan” (yang salah merepresentasikan bagaimana hasil diperoleh). Aneh juga, model menelusuri web, yang tampaknya tidak perlu untuk soal matematika dasar.
Berikutnya, saya menguji model pada soal matematika yang lebih menantang, dan kali ini hasilnya solid. Responsnya cepat dan masalah diselesaikan menggunakan skrip Python pendek, yang bisa saya lihat langsung di rantai penalarannya. Kemampuan untuk memeriksa kode sebagai bagian dari proses penalaran adalah fitur yang benar-benar berguna.
Membuat gim P5js singkat
Beberapa minggu lalu, saat saya menguji Gemini 2.5 Pro, saya membuat sebuah gim p5.js cepat untuk melihat bagaimana model menangani tugas pengodean kreatif. Saya ingin menjalankan prompt yang sama dengan o4-mini, tetapi kali ini saya menggunakan o4-mini-high. Hasilnya tidak terlalu jauh dari Gemini 2.5 Pro, yang bagus mengingat ini model yang lebih kecil.
Prompt-nya: Buatkan saya gim endless runner yang memikat. Instruksi kunci di layar. Adegan p5js, tanpa HTML. Saya suka dinosaurus bergaya piksel dan latar belakang yang menarik.
Dan hasil pertama:
Dinosaurus itu menurut saya lebih mirip kamera film tua, tapi selebihnya bagus.
Penalaran multimodal dengan input besar
Stanford baru saja merilis The 2025 AI Index Report, ringkasan 450 halaman (117.649 token) tentang keadaan industri AI saat ini. Saya meminta o4-mini-high untuk membacanya dan memprediksi 10 tren untuk 2026. Model menangani tugas ini dengan baik dan menyelesaikannya hanya dalam 9 detik.
Berikut tren yang diprediksi untuk 2026:
- Kinerja Mendekati-Manusia pada Tolok Ukur Penalaran Baru
- Inferensi Berbiaya Sangat Rendah untuk LLM Produksi
- Pipeline Pelatihan Data Sintetis-Plus-Real
- Adopsi Luas Perangkat Keras AI-Natif
- Standarisasi Model Fondasi Multimodal
- Rezim Sertifikasi dan Audit AI yang Bertanggung Jawab
- Penemuan Ilmiah Berbantuan AI Mempercepat Karya Pemenang Nobel
- Kerangka Tata Kelola AI Terlokalisasi dengan Penyelarasan Global
- Demokratisasi Pendidikan AI dan Kesiapan Tenaga Kerja
- Agen AI sebagai Pekerja Pengetahuan Kolaboratif
Sebagian besar masuk akal, meski beberapa prediksi cenderung optimistis. Ambil nomor dua—ya, biaya inferensi menurun, tetapi “sangat rendah” agak berlebihan, terutama untuk model yang lebih besar dan penerapan yang kurang dioptimalkan.
Nomor empat serupa: perangkat keras AI-natif berkembang, tetapi adopsi luas bergantung pada rantai pasok, integrasi perangkat lunak, dan dukungan ekosistem, yang semuanya memerlukan waktu.
Adapun nomor sembilan, kita masih cukup jauh dari sesuatu yang dapat disebut demokratisasi penuh pendidikan AI, tetapi perlu diakui, model tidak mengatakan “lengkap”.
Tolok Ukur O4-Mini
O4-mini dirancang sebagai model yang cepat dan efisien biaya, tetapi tetap berkinerja baik di berbagai tolok ukur penalaran. Dalam beberapa kasus, bahkan melampaui model yang lebih besar seperti o3.
Matematika dan logika
Uji ini berfokus pada penalaran terstruktur, yang sering membutuhkan beberapa langkah untuk menyelesaikan soal matematika dengan benar. Tolok ukur AIME, misalnya, diambil dari lomba matematika tingkat SMA kompetitif.
- AIME 2024: o4-mini (tanpa alat) meraih skor 93,4%, mengungguli o3 (91,6%), o3-mini (87,3%), dan o1 (74,3%).
- AIME 2025: o4-mini (tanpa alat) meraih skor 92,7%, kembali mengalahkan o3 (88,9%), o3-mini (86,5%), dan o1 (79,2%)
Sumber: OpenAI
Pengodean
Tolok ukur ini menguji kemampuan model menulis, men-debug, dan memahami kode. Codeforces adalah dataset pemrograman kompetitif, sedangkan SWE-Bench dan Aider Polyglot mensimulasikan tugas rekayasa dunia nyata.
- Codeforces: o4-mini (dengan terminal) meraih ELO 2719, sedikit di atas o3 (2706). o3-mini meraih 2073, dan o1 jauh tertinggal di 1891.
- SWE-Bench Verified: o4-mini meraih 68,1%, tepat di belakang o3 pada 69,1%, dan di depan o1 (48,9%) serta o3-mini (49,3%).
- Aider Polyglot (pengeditan kode): o4-mini-high meraih 68,9% (whole) dan 58,2% (diff). Sebagai perbandingan, o3-high meraih 81,3% (whole) dan 79,6% (diff).
Sumber: OpenAI
Penalaran multimodal
Tolok ukur ini mengukur seberapa baik model memproses input visual seperti diagram, grafik, dan gambar ilmiah. Uji ini menggabungkan pemahaman gambar dengan penalaran logis.
- MMMU: o4-mini meraih 81,6%, mendekati o3 (82,9%) dan lebih baik daripada o1 (77,6%).
- MathVista: o4-mini meraih 84,3%, sedikit di belakang o3 (86,8%) tetapi jauh di atas o1 (71,8%).
- CharXiv (gambar ilmiah): o4-mini mencapai 72,0%, di belakang o3 (78,6%) namun di atas o1 (55,1%).
Sumber: OpenAI
QA umum dan penalaran
Dataset ini menguji kemampuan tanya jawab yang luas, termasuk pertanyaan sains setingkat PhD dan penalaran terbuka lintas subjek. Penggunaan alat sering diperlukan untuk meraih skor tinggi.
- GPQA Diamond: o4-mini meraih 81,4%, di belakang o3 (83,3%) tetapi di atas o1 (78,0%) dan o3-mini (77,0%).
- Humanity’s Last Exam:
- o4-mini (tanpa alat): 14,28%
- o4-mini (dengan Python + penelusuran): 17,70%
- Sebagai konteks, o3 (dengan alat) meraih 24,90%, dan Deep Research meraih 26,60%.
Sumber: OpenAI
O4-Mini vs O3: Mana yang Harus Anda Gunakan?
O4-mini dan o3 didasarkan pada filosofi desain yang sama: model yang dapat bernalar dengan alat, berpikir langkah demi langkah, dan bekerja dengan teks, kode, serta gambar. Namun keduanya dibangun untuk pertukaran yang berbeda. Singkatnya:
- Pilih o3 jika presisi adalah prioritas utama dan biaya bukan masalah besar.
- Pilih o4-mini jika kecepatan, volume, atau efisiensi biaya lebih penting daripada mengejar beberapa poin tolok ukur tambahan.
O3 lebih kuat secara keseluruhan
O3 meraih skor lebih tinggi daripada o4-mini pada tolok ukur seperti CharXiv, MathVista, dan Humanity’s Last Exam. O3 juga menunjukkan konsistensi yang lebih baik pada tugas kompleks yang memerlukan rantai penalaran lebih panjang atau pembuatan kode yang presisi. Jika Anda mengerjakan masalah riset, alur kerja ilmiah, atau apa pun yang menuntut akurasi lebih daripada kecepatan atau biaya, o3 kemungkinan pilihan yang lebih aman.
O4-mini jauh lebih murah dan cepat
Perbedaan harga signifikan: o4-mini berharga $1,10 untuk input dan $4,40 untuk output, dibandingkan o3 pada $10 dan $40. Itu hampir 10x perbedaan di seluruh lini. Anda juga mendapatkan waktu respons lebih cepat dan throughput lebih tinggi, sehingga lebih cocok untuk lingkungan produksi, alat waktu nyata, atau beban kerja berskala besar.
Multimodalitas bukan faktor penentu
Kedua model bersifat multimodal dan mampu menggunakan alat. Keduanya mendukung Python, penelusuran, dan visi. Jika Anda hanya mencari set fitur tersebut, keduanya akan bekerja.
Cara Mengakses o4-mini di ChatGPT dan API
Anda dapat menggunakan o4-mini di ChatGPT dan OpenAI API, tergantung paket Anda.
Di ChatGPT
Jika Anda menggunakan ChatGPT dengan langganan Plus, Pro, atau Team, o4-mini sudah tersedia. Anda akan melihatnya tercantum sebagai “o4-mini” dan “o4-mini-high” di pemilih model.
Ini menggantikan opsi o3-mini dan o1 yang lebih lama. Pengguna gratis juga dapat mencoba o4-mini dalam bentuk terbatas dengan memilih mode “Think” di composer sebelum mengirim prompt. Perhatikan bahwa:
- o4-mini adalah versi cepat default.
- o4-mini-high berjalan dengan upaya inferensi yang ditingkatkan untuk kualitas lebih baik dengan mengorbankan kecepatan.
Di API
o4-mini juga tersedia melalui OpenAI API di bawah endpoint Chat Completions dan Responses. Kedua versi (standar dan high) mendukung penggunaan alat, termasuk penelusuran, Python, dan input gambar, tergantung pada bagaimana Anda mengonfigurasi rangkaian alat Anda.
ID model untuk snapshot saat ini adalah o4-mini-2025-04-16 . Harga ditetapkan $1,10 per satu juta token input dan $4,40 per satu juta token output, dengan caching dan batching didukung. Jika Anda bekerja dengan Responses API, Anda juga mendapatkan visibilitas token penalaran dan lebih banyak kontrol atas eksekusi alat dalam rantai multi-langkah.
Kesimpulan
o4-mini menawarkan kinerja solid pada tugas matematika, kode, dan multimodal, sambil memangkas biaya inferensi hingga satu ordo besaran dibanding o3. Tolok ukur menunjukkan bahwa model ini dapat diandalkan, bahkan pada tugas yang biasanya menantang bagi model, seperti penalaran multimodal atau pengodean.
Ini juga pertama kalinya model mini dari OpenAI menyertakan dukungan alat penuh dan multimodalitas native. Hal itu saja sudah menempatkannya di depan o3-mini dan o1, keduanya digantikan di sebagian besar tier ChatGPT. Dan dengan penambahan o4-mini-high, pengguna mendapatkan sedikit lebih banyak kontrol atas keseimbangan antara kecepatan dan kualitas output.
Apakah o4-mini adalah model yang tepat bergantung pada tugasnya. Model ini tidak akan mengalahkan o3 dalam hal kapabilitas mentah, namun untuk apa pun yang perlu dijalankan cepat, mudah diskalakan, atau berada dalam anggaran ketat, ini adalah opsi yang kuat—dan dalam banyak kasus, sudah cukup.
