Tier C — Spécialiste
Fonctionne en :USCréé en :United States

Date de retrait

Le fournisseur retirera ce modèle le 23 octobre 2026. D’ici là, il fonctionne normalement.

OpenAI

o3-mini-2025-01-31

Tier C — Spécialiste

Équipe éditoriale Tokonomix·Relu par Mes Kalkan··

o3-mini-2025-01-31 est un modèle de langage axé sur le raisonnement développé par OpenAI, lancé en janvier 2025 dans le cadre de la série de modèles o3. Il représente une variante compacte conçue pour équilibrer des capacités de raisonnement avancées avec une efficacité améliorée par rapport aux modèles plus volumineux de la même famille. Le modèle utilise un calcul étendu au moment de l'inférence, lui permettant de consacrer des cycles de traitement supplémentaires aux problèmes complexes avant de générer des réponses. Cette architecture le rend particulièrement adapté aux tâches nécessitant un raisonnement logique en plusieurs étapes, la résolution de problèmes mathématiques et la génération de code. Le modèle s'appuie sur le cadre de raisonnement introduit avec les modèles de la série o d'OpenAI, qui privilégient la résolution délibérative de problèmes plutôt que la génération de réponses immédiates. Bien que les détails techniques spécifiques concernant le nombre de paramètres et l'architecture restent confidentiels, o3-mini est positionné comme une alternative plus accessible au modèle o3 complet, offrant de solides performances sur les benchmarks de raisonnement tout en nécessitant moins de ressources de calcul. La taille de sa fenêtre contextuelle n'a pas été spécifiée publiquement par OpenAI au moment du lancement. Au sein de la gamme de modèles d'OpenAI, o3-mini-2025-01-31 se situe aux côtés d'autres modèles orientés raisonnement comme une option plus légère pour les applications où la qualité du raisonnement est prioritaire mais où les contraintes de ressources sont une considération. Il cible des cas d'usage incluant l'assistance au développement logiciel, le raisonnement scientifique, le calcul mathématique et les tâches analytiques structurées. Le modèle prend en charge les capacités standard de génération de texte tout en maintenant l'approche de raisonnement en chaîne de pensée caractéristique de la série o3, le rendant adapté aux applications générales comme aux charges de travail de raisonnement spécialisées.

Testez o3-mini-2025-01-31 avec vos propres questions

o3-mini-2025-01-31 incarne la tentative d'OpenAI de démocratiser le raisonnement avancé en proposant une alternative compacte au modèle o3 complet, sans sacrifier la capacité de réflexion approfondie.

— Analyse Tokonomix, février 2025
Section 01

Analyse de vitesse

Latence mesurée sur toutes les exécutions de benchmark. P50 (médiane) et P95 (95e percentile) donnent une image réaliste de la vitesse de réponse en charge normale et de pointe.

Latence P50 (médiane)Latence P9596 runs
423175630894421575408-2209-14ms
Section 02

Scores de qualité

Comment ce modèle se situe par rapport au reste du champ sur chaque catégorie de prompts, à partir d'un ajustement par paires sur les mêmes prompts. La note brute du juge figure sous chaque nombre.

67%
Génération de code
moyenne du juge 96
72%
Créatif
moyenne du juge 93
41%
Factuel
moyenne du juge 80
64%
Multilingue
moyenne du juge 99
60%
Raisonnement
moyenne du juge 77

Taux de victoire par catégorie : la fréquence à laquelle ce modèle bat un modèle moyen sur un prompt de cette catégorie. 50% est la moyenne, pas un échec. Ce n'est pas un pourcentage de bonnes réponses.

Section 03

Tarifs

Ce que vous payez par million de tokens en utilisant ce modèle sur Tokonomix, avec une estimation pour une conversation type.

💰
Tarifs API — o3-mini-2025-01-31
$1.65 par 1M de tokens d'entrée
$6.58 par 1M de tokens de sortie
≈ $0.0023 par conversation typique (800 tokens)
Prix entrée vs sortie (par 1M de tokens)
par 1M de tokens d'entrée$1.65
par 1M de tokens de sortie$6.58
Section 04

Tokens par seconde

Débit en tokens par seconde, dérivé de la latence P50 mesurée. Plus haut est mieux ; les fluctuations reflètent la charge côté fournisseur.

Débit (tokens / s)202 / avg 315
46977

Estimé à partir de la latence P50 × 200 tokens de sortie — le chiffre absolu dépend de cette hypothèse ; c'est la tendance qui compte.

Section 05

Forces & faiblesses

Basé sur les résultats de benchmarks et les retours communautaires agrégés sur des cas d'usage réels.

Forces

Raisonnement multi-étapes robusteRessources réduites vs o3 completExcellent pour la génération de codePerformance forte en mathématiquesAnalyse structurée et méthodiquePrécision accrue sur problèmes complexesRaisonnement scientifique approfondiArchitecture optimisée pour l'efficacité

Faiblesses

Latence élevée due au raisonnement étenduTaille de fenêtre contextuelle non divulguéePas conçu pour tâches créativesSpécifications techniques limitées publiquement
Section 06

Capacités

toolssource: litellmjson modereasoningjson schemaprompt cachingmax output tokens: 100000
Section 07

Questions fréquentes

o3-mini offre des capacités de raisonnement similaires mais consomme moins de ressources computationnelles, le rendant plus accessible pour des déploiements à volume élevé. Il représente un compromis entre performance et efficacité opérationnelle.

Pour les équipes cherchant un équilibre entre capacités de raisonnement et efficacité opérationnelle, o3-mini représente un choix stratégique solide, à condition d'accepter ses temps d'inférence plus longs.

— Évaluation éditoriale Tokonomix
Section 08

Disponibilité

Disponibilité

Pas encore de données

Nous n'avons pas encore enregistré suffisamment d'appels API pour afficher les statistiques de disponibilité de ce modèle. Les données apparaîtront dès que le modèle reçoit du trafic en direct.

Section 09

Verdicts benchmark Tokonomix

⚖️
Endorsed by 2 judges
Independent LLM judges evaluated this model on our weekly intelligence tests
cohere/command-a100/100 · 1 runs
1 correct0 partial0 wrong100% accuracy
claude-sonnet-4-591/100 · 52 runs
45 correct3 partial4 wrong87% accuracy
● 2026-09-13

o3-mini quality drops 5.7 points with notable coding performance decline

The o3-mini model shows a significant quality regression in the current benchmark window, dropping from 98.7 to 93.0 overall. The most pronounced decline occurred in coding performance, which fell from 97 to 87, representing a 10-point decrease. Reasoning capabilities remain exceptional at a perfect 100 score, while factual accuracy holds steady at 92. The multilingual category from the previous window is not present in current results, making direct comparison incomplete. Latency increased modestly from 2989ms to 3305ms at the median, representing approximately an 11% slowdown. Both benchmark windows included only 4 test runs, suggesting limited sample size for drawing definitive conclusions. The combination of reduced coding performance and increased response times indicates potential model changes or deployment issues that have impacted practical performance. Users relying on o3-mini for code generation tasks should be aware of this decline, though reasoning-heavy applications appear unaffected. The stable factual performance suggests knowledge retrieval remains intact. Given the previous verdict mentioned tool use and caching additions, these features may still be present but overall execution quality has regressed from the prior excellent baseline.

Qualité

93.0

Latence p50

3,305 ms

Exécutions de test

4

✗ Quality dropped 5.7 points✗ Coding score fell from 97 to 87✗ Latency increased 11%✓ Reasoning remains perfect at 100
Section 10

Profil complet du modèle

o3-mini-2025-01-31 — illustration 1

⚠️ Modèle obsolète. OpenAI l'a remplacé par o4-mini (avril 2025), qui offre une meilleure précision de raisonnement pour un coût similaire. Les nouveaux projets doivent cibler directement o4-mini. Les intégrations existantes basées sur o3-mini doivent planifier leur migration avant la fermeture du point de terminaison API.

o3-mini-2025-01-31 : l'instantané daté du modèle de raisonnement à volume désormais obsolète d'OpenAI

L'alias daté de janvier 2025 d'o3-mini capture l'instantané qui a figé le comportement en production du premier modèle de raisonnement à volume d'OpenAI. Maintenant qu'o3-mini est obsolète au profit d'o4-mini, cet instantané remplit un objectif restreint mais réel : une ancre de stabilité pour les flux de travail en production fonctionnant sur o3-mini qui doivent maintenir un comportement cohérent pendant leur fenêtre de migration vers le successeur.

Ce que représente cet instantané

L'instantané de janvier correspond à o3-mini tel qu'il a été livré pour une utilisation stable en production. L'enveloppe de capacités est celle décrite par la page flottante o3-mini : génération axée sur le raisonnement au niveau mini, fenêtre de contexte de 200 000 tokens, profil de coût adapté aux charges de travail volumineuses, précision située en dessous du o3 complet mais au-dessus de ce que les modèles réflexes pouvaient fournir sur les problèmes nécessitant du raisonnement.

Pour les équipes exécutant des déploiements en production calibrés sur cet instantané, l'alias daté a constitué l'ancrage sûr pendant que la communication du cycle de vie d'OpenAI concernant o3-mini se stabilisait. Maintenant que l'obsolescence au profit d'o4-mini est annoncée, l'instantané figé sert la fenêtre de migration plutôt que la stabilité de production à long terme.

Le contrat d'épinglage tient toujours. Les poids de l'instantané de janvier ne bougeront pas, et le comportement du modèle ne changera pas sous vos pieds. Ce qui change, c'est le calendrier de disponibilité du point de terminaison. Une fois qu'OpenAI fermera le point de terminaison o3-mini, l'alias daté disparaîtra avec lui. Planifiez la migration vers o4-mini avant cette échéance.

La fenêtre de migration

Pour les déploiements en production fonctionnant sur o3-mini-2025-01-31, la cible de migration est o4-mini à l'alias flottant ou o4-mini-2025-04-16 à l'instantané daté. La migration est directe au niveau de la surface d'API. Les deux modèles partagent la même forme de requête et de réponse, donc le code d'intégration ne change pas.

Les écarts comportementaux sont réels mais généralement favorables. o4-mini a été entraîné pour améliorer les points faibles spécifiques d'o3-mini : meilleure précision sur la synthèse de code complexe, performance plus fiable sur le raisonnement en plusieurs étapes sous contraintes interactives, et un profil de latence légèrement meilleur en moyenne. La plupart des charges de travail constatent des améliorations plutôt que des régressions lors du basculement.

Les modèles de prompt ajustés à la distribution de raisonnement spécifique d'o3-mini peuvent nécessiter des ajustements pour obtenir des résultats équivalents sur o4-mini. Prévoyez une piste d'évaluation parallèle où vous exécutez votre corpus de tests contre les deux modèles, documentez les écarts, et basculez lorsque les écarts sont acceptables. Ne présumez pas que la migration est gratuite même si la surface d'API est identique.

Le calendrier d'obsolescence n'a pas été publié en détail. Le modèle d'OpenAI avec les modèles de raisonnement obsolètes a été une fenêtre de fermeture de plusieurs mois avec un préavis explicite. Intégrez la migration dans votre calendrier de versions plutôt que d'attendre l'avis d'obsolescence.

Où il échoue et ce qu'il n'a jamais été

Les mêmes limites qui s'appliquaient à o3-mini s'appliquent à cet instantané. Les applications conversationnelles en temps réel sont inadaptées car la latence du raisonnement est incompatible avec l'expérience utilisateur du chat. La simple résumé et extraction gaspillent la capacité de calcul du raisonnement. L'écriture créative produit une prose plate et prudente, sans éclat.

Au sein du niveau raisonnement, cet instantané n'a jamais été le choix de précision maximale. Le o3 complet ou o1-pro et leurs instantanés datés étaient les variantes pour les problèmes les plus difficiles. Le niveau mini était le niveau économique pour le volume, jamais le niveau de précision de pointe.

Pour les flux de travail qui ont dépassé l'enveloppe de capacités du niveau mini pendant le temps passé sur cet instantané, la cible de migration peut se situer au-dessus d'o4-mini à un niveau supérieur plutôt qu'au même niveau de volume. o3-2025-04-16 est l'instantané daté du o3 complet si votre charge de travail justifie maintenant le coût plus élevé pour une meilleure précision. Effectuez la comparaison correctement plutôt que de choisir par défaut la migration de même niveau.

Notes pratiques

Le modèle opérationnel pour la gestion d'instantanés pendant une fenêtre d'obsolescence consiste à mettre en place immédiatement une évaluation parallèle contre le modèle successeur, documenter les écarts comportementaux sur l'ensemble de votre corpus de tests, et basculer dans une version planifiée plutôt que sous la pression d'une échéance d'obsolescence. Pour plusieurs flux de travail en production épinglés à des instantanés obsolètes, priorisez les migrations selon le risque de charge de travail et l'impact sur les revenus plutôt que de les traiter dans un ordre aléatoire.

Pour les flux de travail de recherche nécessitant l'intégration de sources externes avec le raisonnement, o4-mini-deep-research est la variante dédiée au mode recherche dans la génération o4. Cela répond aux charges de travail pour lesquelles o3-mini était parfois sollicité mais n'était pas réellement bien adapté.

La résidence des données dans l'UE n'est pas satisfaite par défaut sur cet instantané ni sur aucun des points de terminaison de raisonnement OpenAI associés. Le modèle de passerelle régionale reste la solution de contournement pratique pour les déploiements européens réglementés, et cette contrainte ne change pas avec la migration vers o4-mini.

Dernière révision technique : 2026-05-22 — Tokonomix.ai

o3-mini-2025-01-31 — illustration 2o3-mini-2025-01-31 — illustration 3
Dernier test automatisé
14 sept. 2026 · 20:02 UTC · Benchmark de vitesse
Latence P50
988 ms
Latence P95
3163 ms
Erreurs
0 / 6 exécutions
Dernière revue par Équipe Tokonomix·26 mai 2026