BenchLeader

o4-mini

推理强度
质量第 106 / 339 名
55.2Index
高于中位数
较中位数 +5.0
价格第 170 / 255 名
$1.93每百万 token
比多数贵
中位数的 2.3 倍
性价比第 175 / 255 名
28.7分/$
低于中位数
中位数的 0.5 倍

性价比更高: MiMo-V2.5 $0.138/M 即可获得 Index 56.3,价格只有 14 分之一。

有 38 个更便宜的已排名模型得分更高:Gemini 3.7 Flash (62.1, $1.50)、Gemini 3.6 Flash (61.0, $1.50)、Gemini 3.8 Flash (60.2, $1.50),另有 35 个。

截至 2026年11月16日,o4-mini(OpenAI)在 BenchLeader Index 上得分 55.2(共 608 个已排名配置)。表现最好的是数学(69),最弱的是知识(37)。API 价格为输入每百万 token $1.10、输出每百万 token $4.40(按 3:1 混合为 $1.93),为 2026年11月16日的标价。发布于 2025年4月16日。

要点(截至 2026年11月16日)

  • o4-mini 的 API 价格为输入每百万 token $1.10、输出每百万 token $4.40(按 3:1 混合为 $1.93)(标价,2026年11月16日)。
  • o4-mini 于 2025年4月16日发布(OpenAI)。

详细说明:o4-mini 是 OpenAI 的闭源推理模型,发布于 2025年4月16日。其最佳配置在 BenchLeader Index 上得分 55.2 ±6.5,在 608 个配置中排第 216 名,处于上半区。关键在于这个“±”:另有 337 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,数学得分最高(69),知识最低(37)。按混合价格计,每百万 token $1.93,比大多数已排名模型贵。它已在 4 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年11月11日。

混合价格
$1.93/M
输入 $1.10 · 输出 $4.40
来源:models.dev
输出速度
–
首次回答
–
上下文
200k
来源:models.dev
单任务成本
–
单任务 token 数
–
发布日期
2025年4月16日
各类别得分虚线 = 平均模型(50)。每 15 分为一个标准差。
  1. 综合 Index55
  2. 推理59
  3. 编程47
  4. 智能体与工具64
  5. 数学69
  6. 知识37
  7. 指令遵循69
  8. 人类偏好56
  9. 多模态51

嵌入这个排名

更多徽章样式
[![o4-mini on BenchLeader: 综合第 106 名](https://www.benchleader.com/badge/o4-mini.svg?style=compact)](https://www.benchleader.com/models/o4-mini)

粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。

OpenAI 发布新模型时邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

不同推理强度的配置

同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。

推理强度Index排名速度首次回答聊天回复成本类别
low41.4#514––$0.0018知识 32 · 数学 39 · 推理 41
medium51.7#306––$0.0018长上下文 54 · 数学 45 · 多模态 66 · 推理 44
high51.2#317117 tok/s17 s$0.0018智能体与工具 43 · 编程 56 · 指令遵循 55 · 知识 47 · 长上下文 55 · 数学 51 · 多模态 59 · 推理 45
未说明最佳55.2#216––$0.0018智能体与工具 64 · 编程 47 · 人类偏好 56 · 指令遵循 69 · 知识 37 · 数学 69 · 多模态 51 · 推理 59

Index 走势

2026年9月8日 至 2026年11月16日
355064
  • 默认
  • medium
  • high
  • low

Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。

基准测试结果

查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。

推理

基准测试lowmediumhigh默认来源趋势
GPQA Diamond75.3%#16277.8%#14679.6%#139–Epoch AI Benchmarking Hub
Humanity's Last Exam–14.3%#2618.1%#25–Scale AI / CAIS
SimpleBench––38.7%#81–SimpleBench
Arena Hard Prompts推理强度未说明–––1406#176Arena (LMArena)
GPQA Diamond (AA)不计入 Index––78.4%#213–Artificial Analysis
Humanity's Last Exam (AA)不计入 Index––16.5%#260–Artificial Analysis
GPQA Diamond (Vals)不计入 Index––74.5%#81–Vals AI
Kagi LLM Benchmark推理强度未说明–––67.6%#32Kagi LLM Benchmark
GPQA Diamond (HELM)不计入 Index推理强度未说明–––73.5%#6HELM Capabilities
ARC-AGI-121.3%#22741.8%#19758.7%#170–ARC Prize
ARC-AGI-21.7%#2182.4%#2076.1%#179–ARC Prize
CritPt不计入 Index––0.6%#274–Artificial Analysis
SciPredict不计入 Index推理强度未说明–––16.2%#14Scale AI SEAL
Arena Expert不计入 Index推理强度未说明–––1407#164Arena (LMArena)
Chess Puzzles不计入 Index15.0%#12022.0%#9113.0%#126–Epoch AI Benchmarking Hub
Mystery Game Puzzles不计入 Index––5.0%#137–Epoch AI Benchmarking Hub
LMCA不计入 Index––26.5%#154–Epoch AI Benchmarking Hub
DTBench不计入 Index––77.6%#149–Epoch AI Benchmarking Hub
ForecastBench不计入 Index推理强度未说明–––63.9%#35ForecastBench

编程

基准测试mediumhigh默认来源趋势
WeirdML–52.6%#64–WeirdML
GSO-Bench–3.6%#31–GSO-Bench
Arena Coding推理强度未说明––1433#174Arena (LMArena)
LiveCodeBench–82.2%#54–Vals AI
Aider Polyglot–72.0%#12–Aider polyglot leaderboard
SWE-bench Verified (bash only)推理强度未说明––45.0%#35SWE-bench
SWE-bench Verified (any scaffold)不计入 Index推理强度未说明––64.6%#23SWE-bench
CadEval不计入 Index62.0%#3––Epoch AI Benchmarking Hub
ALE-Bench不计入 Index–826.2#81–Epoch AI Benchmarking Hub
AlgoTune不计入 Index–1.7#6–AlgoTune
Design Arena Website不计入 Index推理强度未说明––977#174Design Arena
LiveCodeBench (AA)不计入 Index–85.9%#12–Artificial Analysis

智能体与工具

基准测试mediumhigh默认来源趋势
GDPval–25.3%#8–OpenAI
Terminal-Bench Hard–15.2%#197–Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index–55.6%#188–Artificial Analysis
BFCL Overall推理强度未说明––53.2%#19Berkeley Function Calling Leaderboard
METR Time Horizons不计入 Index63.9%#16––METR
BrowseComp不计入 Index推理强度未说明––3.3%#7OpenAI

数学

基准测试lowmediumhigh默认来源趋势
FrontierMath Tiers 1–316.1%#10628.8%#8136.1%#70–Epoch AI Benchmarking Hub
FrontierMath Tier 4––4.9%#70–Epoch AI Benchmarking Hub
OTIS Mock AIME57.8%#17973.3%#14081.7%#123–Epoch AI Benchmarking Hub
MATH Level 5––97.8%#4–Epoch AI Benchmarking Hub
AIME (Vals)––83.7%#41–Vals AI
MGSM––93.4%#9–Vals AI
IMO 2025––14.3%#5–MathArena
Omni-MATH (HELM)推理强度未说明–––72.0%#2HELM Capabilities
MATH 500不计入 Index––94.2%#10–Vals AI
Arena Maths推理强度未说明–––1418#128Arena (LMArena)
AIME 2025 (AA)不计入 Index––90.7%#23–Artificial Analysis

知识

基准测试lowhigh默认来源趋势
SimpleQA Verified19.6%#8618.8%#88–Epoch AI Benchmarking Hub
MMLU-Pro–80.6%#84–Vals AI
LegalBench–79.2%#95–Vals AI
CorpFin–59.0%#78–Vals AI
TaxEval–74.8%#29–Vals AI
MedQA–96.0%#9–Vals AI
PRBench Finance推理强度未说明––39.2%#31Scale AI SEAL
PRBench Legal推理强度未说明––38.1%#41Scale AI SEAL
MultiNRC–22.2%#33–Scale AI SEAL
MMLU-Pro (HELM)不计入 Index推理强度未说明––82.0%#13HELM Capabilities
MedCode不计入 Index–33.8%#81–Vals AI
MedScribe不计入 Index–69.1%#94–Vals AI

指令遵循

基准测试high默认来源趋势
IFBench68.7%#79–Artificial Analysis
MultiChallenge44.9%#33–Scale AI SEAL
IFEval (HELM)推理强度未说明–92.9%#5HELM Capabilities
WildBench (HELM)推理强度未说明–85.4%#9HELM Capabilities
Arena Instruction Following不计入 Index推理强度未说明–1368#182Arena (LMArena)

人类偏好

基准测试medium默认来源趋势
Arena Text推理强度未说明–1391#169Arena (LMArena)
Arena Creative Writing不计入 Index推理强度未说明–1337#187Arena (LMArena)
Arena Multi-turn不计入 Index推理强度未说明–1383#180Arena (LMArena)
Arena Longer Queries不计入 Index推理强度未说明–1369#197Arena (LMArena)
Lech Mazur Creative Writing不计入 Index75.0%#27–Lech Mazur

多模态

基准测试mediumhigh默认来源趋势
Arena Vision推理强度未说明––1194#96Arena (LMArena)
MMMU-Pro–69.3%#166–Artificial Analysis
VISTA51.7%#551.8%#4–Scale AI SEAL
MMMU-Pro (Vals)不计入 Index–79.7%#45–Vals AI
MortgageTax不计入 Index–64.8%#44–Vals AI
VTB不计入 Index推理强度未说明––11.1%#10Scale AI SEAL
GeoBench不计入 Index64.0%#2764.0%#27–GeoBench
VPCT不计入 Index57.5%#8––Epoch AI Benchmarking Hub

长上下文

基准测试mediumhigh来源趋势
Fiction.LiveBench 120k62.5%#13–Fiction.live
AA-LCR v1.1–61.0%#297Artificial Analysis

综合

基准测试high默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明–145.3#90Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index16.6#280–Artificial Analysis
AA Progress Index v1不计入 Index247.9#270–Artificial Analysis
HELM Capabilities mean不计入 Index推理强度未说明–81.2%#2HELM Capabilities

安全与诚实

基准测试mediumhigh默认来源趋势
FORTRESS不计入 Index推理强度未说明––21.5%#42Scale AI SEAL
MASK不计入 Index可能存在污染72.9%#2878.6%#27–Scale AI SEAL
PropensityBench不计入 Index推理强度未说明––15.8%#3Scale AI SEAL

优势所在

在所有已测配置中,这个配置排名前五的基准测试。

一项任务的成本

根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.275。未计入推理 token。

工作负载输入 / 输出 token成本使用缓存耗时
聊天回复400 / 300$0.0018$0.0015–
总结一份 30 页的报告12,000 / 600$0.016$0.0084–
代码编辑6,000 / 1,500$0.013$0.0095–
智能体编程会话60,000 / 4,000$0.084$0.046–
结构化信息提取2,000 / 200$0.0031$0.0018–

OpenAI 的更多模型

本月新上线

另请参阅

嵌入或引用

在模型卡片或 README 中展示 o4-mini 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。

[![o4-mini on BenchLeader: 综合第 106 名](https://www.benchleader.com/badge/o4-mini.svg)](https://www.benchleader.com/models/o4-mini)

引用本页

排名每天都会变化,因此引用时需注明数据日期。APA 格式:

BenchLeader. (2026, November 16). o4-mini on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/o4-mini

BibTeX:

@misc{benchleader_o4_mini_20261116,
  author       = {{BenchLeader}},
  title        = {{o4-mini on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/o4-mini}},
  note         = {Data as of 2026-11-16}
}

全部徽章样式、可嵌入的前 10 名小组件,以及如何引用 Index

常见问题

o4-mini 的基准测试得分是多少?
截至 2026年11月16日,o4-mini 的 BenchLeader Index 为 55.2 ±6.5。最强的是数学(69),最弱的是知识(37)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
o4-mini 排名第几?
截至 2026年11月16日,o4-mini 在 608 个已排名配置中排第 216 名。另有 337 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
o4-mini 每百万 token 的价格是多少?
截至 2026年11月16日,o4-mini 的价格为输入每百万 token $1.10、输出每百万 token $4.40,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $1.93。
o4-mini 是什么时候发布的?
OpenAI 于 2025年4月16日发布了 o4-mini。BenchLeader 收录了它在 4 种推理强度设置下的结果。

数据截至 2026年11月16日。 对比这些配置

引用格式:BenchLeader,《o4-mini:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/o4-mini。