OpenAI o4 - mini 评测详情

OpenAI o4 - mini 当前已收录的代表性评测结果包括 MMLU（2 / 124，得分 93）、AIME 2024（1 / 61，得分 98.70）、AIME2025（11 / 110，得分 99.50）。

评测结果

OpenAI o4 - mini

评测结果

综合知识考试

共 6 项评测

评测名称 / 模式

得分

排名/总数

开启思考

93

2 / 124

开启思考

80.60

60 / 175

思考水平·中

14.28

181 / 235

开启思考

14.28

181 / 235

开启思考工具

17.70

169 / 235

思考水平·高

18.08

168 / 235

抽象归纳与泛化

共 7 项评测

评测名称 / 模式

得分

排名/总数

思考水平·低

21.33

172 / 193

思考水平·中

41.83

150 / 193

开启思考

58.70

130 / 193

思考水平·高

58.67

131 / 193

思考水平·低

1.67

163 / 181

思考水平·中

2.36

155 / 181

思考水平·高

6.11

135 / 181

科学知识与推理

共 4 项评测

评测名称 / 模式

得分

排名/总数

思考水平·低

75.25

155 / 253

思考水平·中

77.78

144 / 253

开启思考

81.40

118 / 253

思考水平·高

0.60

172 / 204

仓库修复与多文件工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

SWE-bench Verified

开启思考

68.10

70 / 116

数学

共 15 项评测

评测名称 / 模式

得分

排名/总数

开启思考

92.70

34 / 110

开启思考工具

99.50

11 / 110

开启思考

93.40

5 / 61

开启思考工具

98.70

1 / 61

FrontierMath v2

思考水平·低

16.14

55 / 58

FrontierMath v2

思考水平·中

28.77

45 / 58

FrontierMath v2

思考水平·高

36.14

38 / 58

思考水平·低

9.70

29 / 60

思考水平·中

19.30

18 / 60

思考水平·高

17.20

21 / 60

思考水平·高

11.40

12 / 16

IMO-ProofBench Advanced

思考水平·高

11.40

15 / 24

FrontierMath - Tier 4

思考水平·中

2.10

56 / 80

FrontierMath - Tier 4

思考水平·高

6.30

35 / 80

FrontierMath Tier 4 v2

思考水平·高

4.88

34 / 42

图像感知与视觉推理

共 5 项评测

评测名称 / 模式

得分

排名/总数

unknown

81.60

14 / 74

思考水平·高

69.20

134 / 229

思考水平·中

64

15 / 20

思考水平·高

64

15 / 20

思考水平·中

57.50

8 / 24

算法与竞赛编程

共 3 项评测

评测名称 / 模式

得分

排名/总数

开启思考工具

2719

7 / 21

IOI 2024 (Vals v1)

开启思考工具

7.70

6 / 10

IOI 2025 (Vals v1)

开启思考工具

2

7 / 9

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高

38.70

72 / 96

自主开发与终端任务

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高

72

13 / 59

Terminal Bench Hard

思考水平·高工具

15.20

168 / 244

客服与业务流程

共 3 项评测

评测名称 / 模式

得分

排名/总数

开启思考工具

56.90

32 / 44

τ²-Bench - Telecom

开启思考工具

50.20

28 / 30

思考水平·高工具

41.06

40 / 64

维护、优化与工程管理

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

3.60

20 / 21

机器学习工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

52.56

35 / 52

跨长文理解与整合

共 1 项评测

评测名称 / 模式

得分

排名/总数

Fiction.liveBench

思考水平·中

77.80

9 / 16

能力边界度量

共 1 项评测

评测名称 / 模式

得分

排名/总数

METR Time Horizons v1.1

思考水平·中工具

76.51

15 / 22

临床工作与医疗决策

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

69.14

62 / 66

思考水平·高工具

33.79

55 / 64

跨能力聚合指数

共 1 项评测

评测名称 / 模式

得分

排名/总数

unknown

145.63

74 / 167

与其他模型对比