o3 и o4-mini

Коротко

Что в них главное

• reasoning.effort для управления глубиной анализа;
• tool use и image reasoning;
• reasoning summaries вместо сырых chain-of-thought;
• удобная reference-точка для сравнения с GPT-5 и GPT-5 mini.

Короткий вывод

Если у вас уже есть routing на o3/o4-mini, не мигрируйте вслепую. Если строите новый продукт, сначала сравните с GPT-5-линией, а o3/o4-mini держите как benchmark и compatibility-кандидатов.

1. Что это за модели и почему они всё ещё важны

o3 и o4-mini важны не только как отдельные модели, а как переходный слой OpenAI к productized reasoning.

По official materials OpenAI:

• o3 была high-end reasoning-моделью для сложных coding, math и multimodal задач;
• o4-mini проектировалась как более дешёвая и быстрая reasoning-модель с сильным quality-per-dollar;
• обе модели умеют reasoning with images;
• обе умеют работать с tools и function calling;
• reasoning можно настраивать через reasoning.effort.

Именно поэтому они до сих пор полезны как practical reference: через них проще понять, как OpenAI вообще оформляет reasoning API.

2. Актуальный статус в 2026

Главная проблема старых обзоров в том, что они всё ещё описывают o3 и o4-mini как текущий центр OpenAI reasoning stack. Это уже неточно.

На 20 марта 2026 official model pages говорят:

• o3 — succeeded by GPT-5;
• o4-mini — succeeded by GPT-5 mini.

Практический вывод:

1. Эти модели остаются рабочими и полезными.
2. Но они уже не должны считаться automatic first choice для нового проекта.
3. Их нужно сравнивать с GPT-5-линией на реальных evals, а не выбирать “по инерции”.

3. Актуальные цифры: context, output, price

По current official docs и pricing:

Это уже важнее старых benchmark-таблиц, потому что именно такие цифры влияют на production-routing.

Практически:

• o4-mini заметно рациональнее для budget-sensitive reasoning;
• o3 всё ещё может быть оправдана там, где цена ошибки выше цены токенов.

4. Что реально отличает o3

o3 не стоит описывать просто как “старую дорогую reasoning-модель”. На official launch page OpenAI подчёркивает:

• frontier-grade reasoning across coding, math, science and visual tasks;
• strong multimodal reasoning;
• умение agentically использовать tools;
• более надёжное поведение на real-world hard tasks по сравнению с earlier o-series.

Практически o3 до сих пор логична для:

• сложного debugging;
• архитектурных решений;
• high-stakes code review;
• аналитики, где нужно многошаговое рассуждение, а не быстрый chat-style ответ.

5. Что реально отличает o4-mini

o4-mini была ценна не как “урезанная o3”, а как fast cost-efficient reasoning lane OpenAI.

OpenAI отдельно подчёркивала:

• сильный профиль на math, coding и visual tasks;
• очень хорошую эффективность для high-volume usage;
• особенно сильный результат на AIME 2024/2025;
• полезность как high-throughput reasoning option.

Для 2026 это значит:

• o4-mini удобно держать как legacy reasoning default;
• она подходит для массового reasoning-трафика, где o3 уже слишком дорога;
• она остаётся хорошим migration benchmark против GPT-5 mini.

6. reasoning.effort: главная инженерная фича

Старые статьи часто подают reasoning как “магическое скрытое мышление”. Для практики важнее другое: o3 и o4-mini дали разработчику управляемую ручку глубины анализа.

Важно:

• reasoning-токены не видны как raw chain-of-thought;
• вместо этого можно запросить reasoning.summary;
• высокая глубина быстро раздувает и latency, и цену.

7. Responses API и reasoning summaries

Ещё одно место, где старый обзор устарел: он строился вокруг Chat Completions как главного интерфейса. В current OpenAI docs reasoning guide уже ведёт разработчика через Responses API.

По official guide:

• reasoning-модели работают через responses.create;
• глубина задаётся через reasoning={"effort": ...};
• сырые reasoning tokens не раскрываются;
• вместо этого можно включить summary, чтобы получить краткую reasoning summary.

Это меняет и developer ergonomics, и то, как надо писать обучающую статью в 2026.

8. Где o3/o4-mini уже проигрывают

Они уже не current recommendation внутри OpenAI

Это главный сдвиг. Новая OpenAI framing уже идёт через GPT-5 и GPT-5 mini.

Они не лучший выбор для любого запроса

Если задача не требует deep reasoning, вы платите за неиспользованную глубину.

У них уже не самый впечатляющий context story

200K всё ещё много, но это больше не уникальный headline advantage на рынке 2026.

Как использовать их в 2026

Самый полезный паттерн сейчас — не выбирать одну модель навсегда, а держать o3 и o4-mini как управляемые ветки routing.

type ReasoningPolicy = {
  budgetSensitive: boolean
  errorCost: "low" | "medium" | "high"
  alreadyOnLegacyORouting: boolean
}

export function pickOpenAIReasoningModel(policy: ReasoningPolicy) {
  if (policy.errorCost === "high") return "o3"
  if (policy.budgetSensitive || policy.alreadyOnLegacyORouting) return "o4-mini"
  return "gpt-5-mini"
}

Минимальный вызов через Responses API

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="o3",
    input="Разбери причины деградации P95 latency после релиза.",
    reasoning={"effort": "high"},
)

print(response.output_text)

Более дешёвый reasoning через o4-mini

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="o4-mini",
    input="Оптимизируй SQL-запрос и объясни, почему именно так.",
    reasoning={"effort": "medium"},
)

print(response.output_text)

Получить reasoning summary

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="o4-mini",
    input="Сравни две архитектуры очередей и выбери более надёжную.",
    reasoning={"effort": "medium", "summary": "auto"},
)

print(response.output_text)

Практическое правило

У нас есть code review, SQL-анализ, продуктовая аналитика и редкие high-stakes архитектурные решения. Как развести o3 и o4-mini?

Проверьте себя