Ir al contenido
Se ejecuta en:USCreado en:United States
OpenAI

o4-mini-deep-research-2025-06-26

Equipo editorial Tokonomix·Revisado por Mes Kalkan··

o4-mini-deep-research-2025-06-26 es un modelo de lenguaje enfocado en razonamiento desarrollado por OpenAI, parte de la serie o de la organización que enfatiza cómputo extendido en tiempo de inferencia. Este modelo aplica estrategias de razonamiento en cadena de pensamiento para generar respuestas más deliberadas, particularmente para tareas que requieren lógica de múltiples pasos, síntesis de investigación o resolución de problemas complejos. La designación "deep-research" indica especialización en flujos de trabajo analíticos donde el modelo puede explorar múltiples vías de razonamiento antes de llegar a conclusiones. Técnicamente, o4-mini-deep-research pertenece al nivel "mini" dentro de la familia o4, posicionándolo como una variante más eficiente optimizada para velocidad y consumo de recursos mientras retiene capacidades centrales de razonamiento. El tamaño exacto de la ventana de contexto no ha sido divulgado públicamente, aunque modelos en esta serie típicamente soportan longitudes de entrada extendidas para acomodar tareas de investigación y análisis de formato largo. Emplea capacidades estándar de generación de texto sin soporte multimodal nativo, enfocándose en razonamiento textual en lugar de imágenes o ejecución de código. Dentro de la alineación de modelos de OpenAI, o4-mini-deep-research se sitúa entre modelos conversacionales de propósito general y sistemas de razonamiento más grandes y computacionalmente intensivos. Está diseñado para casos de uso donde precisión y coherencia lógica superan velocidad pura, como análisis de reportes técnicos, evaluación de hipótesis o extracción estructurada de información. La fecha de lanzamiento de junio de 2026 sugiere mejoras iterativas sobre modelos anteriores de la serie o, aunque cambios arquitectónicos específicos no han sido detallados públicamente. Este modelo sirve a usuarios que requieren profundidad de razonamiento sin la latencia o sobrecarga de costo de variantes o4 de escala completa.

o4-mini-deep-research-2025-06-26 representa la apuesta de OpenAI por un razonamiento profundo accesible, combinando velocidad operativa con capacidad analítica en un formato compacto diseñado para investigación estructurada.

Análisis editorial Tokonomix
Sección 01

Historial de precios

Tarifas directas del proveedor por millón de tokens, más una estimación del coste de una conversación típica.

💰
Tarifas API — o4-mini-deep-research-2025-06-26
$2.00 por 1M de tokens de entrada
$8.00 por 1M de tokens de salida
≈ $0.0028 por conversación típica (800 tokens)
Precio entrada vs salida (por 1M de tokens)
por 1M de tokens de entrada$2.00
por 1M de tokens de salida$8.00

Pricing over time

Input & output per 1M tokens · step-line = price changes

$2.00

input / 1M

— no change

$8.00

output / 1M

— no change

2026-05-242026-05-242026-05-24
Input
Output
Price change
⟳ synced weekly
Sección 02

Fortalezas & debilidades

Basado en resultados de benchmarks y comentarios agregados de la comunidad sobre casos de uso reales.

Fortalezas

Razonamiento en cadena extendidoOptimizado para velocidad y recursosEspecialización en síntesis de investigaciónLógica multi-paso estructuradaEvaluación rigurosa de hipótesisExploración de rutas de razonamientoExtracción precisa de informaciónBalance coherencia-eficiencia mejorado

Debilidades

Sin capacidades multimodales nativasLatencia mayor que modelos estándarVentana de contexto no divulgadaMenos versátil que variantes generales
Sección 03

Preguntas frecuentes

Cuando el presupuesto computacional es una restricción pero aún se requiere razonamiento deliberado. La variante mini sacrifica algo de profundidad analítica a cambio de latencia reducida y menor consumo de recursos, ideal para flujos de investigación iterativos donde la velocidad importa.

Para equipos que necesitan rigor lógico sin el coste computacional de modelos masivos, esta variante mini ofrece un equilibrio convincente entre capacidad de razonamiento y eficiencia operativa.

Evaluación Tokonomix
Sección 04

Disponibilidad

Disponibilidad

Sin datos todavía

Aún no hemos registrado suficientes llamadas a la API para mostrar estadísticas de disponibilidad de este modelo. Los datos aparecen una vez que el modelo comienza a recibir tráfico en vivo.

Sección 05

Veredictos del benchmark Tokonomix

2026-05-24

Línea base establecida: razonamiento sólido, rendimiento competitivo en programación

Esta es la primera ventana de benchmark para o4-mini-deep-research, estableciendo el rendimiento base en los dominios clave de evaluación. El modelo demuestra capacidades de razonamiento particularmente sólidas, alcanzando 91.4% en GPQA Diamond y 87.9% en MMLU, ubicándose entre los modelos de primer nivel para respuestas a preguntas complejas. El rendimiento en programación es competitivo, con 81.9% en HumanEval y 84.3% en LiveCodeBench, lo que indica una capacidad sólida en codificación. Las capacidades matemáticas son robustas, con 90.5% en MATH-500, aunque ligeramente por detrás de los modelos de frontera. El desempeño multilingüe en MMMLU del 81.3% muestra una amplia cobertura lingüística. La puntuación de 28.3% en Agenor-Edit sugiere margen de mejora en tareas de edición agéntica frente a los modelos líderes. El modelo parece optimizado para tareas de investigación y razonamiento que requieren análisis profundo, con un rendimiento equilibrado en los dominios técnicos. Los usuarios pueden esperar un desempeño fiable en trabajos analíticos complejos, razonamiento científico y asistencia en codificación, considerando que estas son mediciones iniciales de referencia sin datos comparativos aún disponibles.

Quality

Latency p50

Test runs

0

Razonamiento sólido en GPQA Diamond Rendimiento competitivo en programación Cobertura multilingüe sólida Puntuaciones más bajas en edición agéntica
Sección 06

Perfil completo del modelo

o4-mini-deep-research-2025-06-26 — illustration 1
o4-mini-deep-research-2025-06-26: la instantánea de junio de 2025 del modelo de razonamiento en modo investigación de OpenAI

El alias fechado de junio de 2025 de o4-mini-deep-research captura la instantánea de la variante de razonamiento en modo investigación de OpenAI en el momento en que se estabilizó para uso general en producción. Es la versión a fijar para flujos de trabajo de investigación regulados, canalizaciones analíticas recurrentes o escenarios de cumplimiento normativo donde el alias flotante que avanza continuamente podría interrumpir patrones de citación, comportamiento de selección de fuentes o estilo de síntesis que los consumidores finales han llegado a esperar.

Qué congela esta instantánea

La instantánea de junio captura o4-mini-deep-research tal como se distribuyó para uso estable en producción. La envolvente de capacidades es lo que describe la página flotante de o4-mini-deep-research: razonamiento en el nivel de o4-mini emparejado con un bucle de investigación interno que maneja descubrimiento de fuentes, recuperación, integración y citación en una sola llamada a la API.

El contrato de fijación es particularmente importante para modelos en modo investigación porque el modelo está tomando decisiones sobre qué fuentes consultar y cómo ponderarlas. Estas decisiones dependen de los pesos exactos del modelo y de las elecciones en tiempo de entrenamiento sobre heurísticas de selección de fuentes. Un cambio sutil en el comportamiento de selección de fuentes entre instantáneas puede modificar qué evidencia integra el modelo en un análisis, lo cual afecta posteriormente las conclusiones incluso si la maquinaria de razonamiento subyacente se ve similar.

Para flujos de trabajo de investigación donde has validado que el modelo selecciona fuentes sensatamente para tu dominio de problema y las sintetiza de una manera en la que los consumidores finales confían, la instantánea fechada es el contrato que protege ese comportamiento validado de una deriva silenciosa.

Cuándo tiene sentido fijar la versión

Flujos de trabajo de investigación recurrentes que ejecutan los mismos tipos de consultas con una cadencia regular y donde los consumidores dependen de estilo consistente, patrones de citación y profundidad de síntesis a través de las ejecuciones. Canalizaciones de inteligencia estratégica, monitoreo regulatorio, marcos de debida diligencia de proveedores. La consistencia importa tanto como la calidad absoluta.

Flujos de trabajo de investigación regulados donde las pistas de auditoría necesitan mostrar que un análisis específico fue producido por una instantánea específica, con la lógica de selección de fuentes y el comportamiento de citación reproducible si surgen preguntas más adelante. Investigación de servicios financieros, análisis de presentaciones regulatorias, revisión de literatura farmacéutica donde la reproducibilidad metodológica es un requisito de cumplimiento normativo.

Para consultas de investigación puntuales y trabajo exploratorio, el o4-mini-deep-research flotante es la elección correcta. Fija la versión solo cuando la consistencia a lo largo del tiempo justifique la sobrecarga de gestión de instantáneas.

Dónde falla

Los mismos límites que se aplican al o4-mini-deep-research flotante se aplican aquí. Preguntas que no se benefician de fuentes externas desperdician la sobrecarga del bucle de investigación. Las respuestas sensibles al tiempo sufren del perfil de latencia más largo inherente al bucle de investigación. Tareas con conjuntos de fuentes restringidos se sirven mejor pasando los documentos directamente a un modelo de razonamiento estándar.

La precisión de citación no es infalible. El modelo produce citaciones que apuntan a fuentes reales, pero el mapeo entre afirmaciones específicas y citaciones específicas necesita revisión humana para trabajo de alto riesgo. La instantánea congela este comportamiento al nivel de junio de 2025; mejoras posteriores en precisión de citación en instantáneas más nuevas no están disponibles aquí.

La instantánea de junio no cambia la envolvente fundamental de capacidades de o4-mini-deep-research. Es un ancla de estabilidad, no un diferenciador de calidad respecto al alias flotante como existía en junio. Si el alias flotante se ha movido desde entonces a pesos más nuevos con comportamiento mejorado de selección de fuentes o citación, la comparación para planificación de migración se vuelve significativa.

Notas prácticas y alternativas

Para cargas de trabajo de razonamiento puro sin el bucle de investigación, o4-mini y o4-mini-2025-04-16 son las opciones de razonamiento dedicadas a menor costo. El bucle de investigación añade sobrecarga significativa, tanto en latencia como en costo, por lo que usar deep-research para cargas de trabajo que no necesitan integración de fuentes es un desperdicio.

Para mayor capacidad de razonamiento, o3 y o3-2025-04-16 son las opciones de razonamiento de nivel completo. Para los problemas de razonamiento más difíciles independientemente del costo, o1-pro y su instantánea fechada todavía están disponibles.

El patrón operativo para gestionar instantáneas de modo investigación fijadas es mantener una pista de evaluación paralela que ejecute tus consultas de investigación recurrentes contra la instantánea actual y la siguiente instantánea disponible con una cadencia regular. Documenta deltas en selección de fuentes, patrones de citación y estilo de síntesis. Cuando los deltas están dentro de un rango aceptable y la instantánea más nueva ofrece mejoras medibles, planifica la migración como un despliegue de producción rutinario. Quedarse atrás por múltiples generaciones de instantáneas convierte una rotación de instantánea en un ejercicio de revalidación más sustancial cuando llega la eventual deprecación.

La residencia de datos de la UE no se satisface por defecto en esta instantánea ni en ningún endpoint de razonamiento de OpenAI. El bucle de investigación añade tráfico de recuperación de fuentes que puede llevar consideraciones regionales adicionales que vale la pena discutir con tu acuerdo de procesamiento de datos. Para flujos de trabajo de investigación europeos regulados, la combinación del patrón estándar de puerta de enlace regional y listas explícitas de dominios de fuentes permitidos en la configuración del bucle de investigación es la solución práctica alternativa. No hay señal de que una variante alojada en la UE de deep-research esté en la hoja de ruta a corto plazo.

Última revisión técnica: 2026-05-22 — Tokonomix.ai

o4-mini-deep-research-2025-06-26 — illustration 2
Última prueba automática
27 may 2026 · 21:58 UTC · Benchmark
Latencia P50
Latencia P95
Errores
1 / 6 ejecuciones
Última revisión por Equipo Tokonomix·26 de mayo de 2026