GPT-4o mini Search Preview

Especificaciones técnicas de gpt-4o-mini-search-preview

¿Qué es gpt-4o-mini-search-preview?

gpt-4o-mini-search-preview es un modelo multimodal compacto de la familia GPT-4o creado para experiencias centradas en la búsqueda y aplicaciones mejoradas con recuperación. Está bien adaptado para sistemas que necesitan interpretar la intención del usuario, reescribir o descomponer consultas, sintetizar respuestas concisas a partir de información recuperada y respaldar flujos de trabajo fundamentados mediante la integración con búsquedas externas.

Debido a que acepta entradas de texto e imagen, el modelo puede participar en experiencias de descubrimiento y asistencia más amplias más allá de la búsqueda de texto plano. Es especialmente útil en aplicaciones donde la comprensión rápida de consultas, el formateo controlado de respuestas y la orquestación habilitada por herramientas importan más que la generación de contenido extenso. Ejemplos comunes incluyen copilotos de búsqueda de cara al cliente, asistentes internos de conocimiento, flujos de descubrimiento de productos y canalizaciones de recuperación que dependen de la clasificación de consultas, asistencia de ranking y generación de respuestas.

Principales características de gpt-4o-mini-search-preview

• Razonamiento orientado a la búsqueda: Ayuda a interpretar la intención ambigua del usuario, reformular consultas y respaldar interacciones centradas en la recuperación.
• Soporte de entrada multimodal: Acepta entradas de texto e imagen, habilitando flujos de trabajo más ricos de búsqueda y descubrimiento.
• Síntesis concisa de respuestas: Produce resúmenes breves y respuestas directas apropiadas para experiencias de búsqueda.
• Preparado para la integración con herramientas: Funciona de forma eficaz con llamadas a funciones y herramientas externas para búsqueda, navegación y orquestación RAG.
• Compatibilidad con salidas estructuradas: Puede generar respuestas en formatos organizados como JSON para sistemas posteriores.
• Comportamiento de seguimiento de instrucciones: Maneja indicaciones guiadas de manera confiable para tareas de clasificación, enrutamiento, extracción y formateo de respuestas.
• Compatibilidad con preguntas y respuestas basadas en bases de conocimiento: Se adapta bien a sistemas que primero recuperan documentos y luego piden al modelo producir respuestas fundamentadas.
• Comercio electrónico y descubrimiento de catálogos: Útil para interpretar intención de compra, refinar filtros y mejorar las interacciones de búsqueda de productos.
• Asistencia para clasificación y enrutamiento: Puede ayudar a clasificar consultas y prepararlas para recuperación, ranking o lógica de ramificación de flujos de trabajo.
• Perfil de implementación eficiente: Como modelo compacto, es apropiado para integraciones escalables y conscientes de costos que aún requieren comportamiento multimodal y compatible con herramientas.

Cómo acceder e integrar gpt-4o-mini-search-preview

Paso 1: Regístrate y obtén una clave de API

Para comenzar, crea una cuenta en CometAPI y genera tu clave de API desde el panel. Después, almacena la clave de forma segura y úsala en el encabezado Authorization para todas las solicitudes.

Paso 2: Envía solicitudes a la API de gpt-4o-mini-search-preview

Usa el endpoint compatible con OpenAI de CometAPI y especifica el modelo como gpt-4o-mini-search-preview.

curl https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini-search-preview",
    "messages": [
      {
        "role": "user",
        "content": "Summarize the main intent behind this search query: best running shoes for flat feet"
      }
    ]
  }'

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_COMETAPI_API_KEY",
    base_url="https://api.cometapi.com/v1"
)

response = client.chat.completions.create(
    model="gpt-4o-mini-search-preview",
    messages=[
        {
            "role": "user",
            "content": "Summarize the main intent behind this search query: best running shoes for flat feet"
        }
    ]
)

print(response.choices[0].message.content)

Paso 3: Recupera y verifica los resultados

Analiza el resultado del modelo en tu aplicación y, cuando sea necesario, encadénalo con pasos de recuperación, reordenamiento o verificación. Para sistemas de búsqueda y RAG en producción, es una buena práctica validar las salidas frente a fuentes confiables y registrar las respuestas para el monitoreo de calidad.