GPT-4o mini Search Preview

Spécifications techniques de gpt-4o-mini-search-preview

Qu’est-ce que gpt-4o-mini-search-preview ?

gpt-4o-mini-search-preview est un modèle multimodal compact de la famille GPT-4o, conçu pour des expériences centrées sur la recherche et des applications renforcées par la récupération. Il convient aux systèmes devant interpréter l’intention de l’utilisateur, réécrire ou décomposer des requêtes, synthétiser des réponses concises à partir d’informations obtenues, et prendre en charge des workflows fondés via une intégration de recherche externe.

Comme il accepte des entrées texte et image, le modèle peut participer à des expériences de découverte et d’assistance plus larges au-delà de la recherche texte. Il est particulièrement utile dans des applications où la compréhension rapide des requêtes, le formatage contrôlé des réponses et une orchestration outillée priment sur la génération longue. Des exemples courants incluent des copilotes de recherche orientés client, des assistants internes de connaissances, des parcours de découverte de produits, et des pipelines de récupération reposant sur la classification des requêtes, l’assistance au classement et la génération de réponses.

Fonctionnalités principales de gpt-4o-mini-search-preview

• Raisonnement orienté recherche : aide à interpréter des intentions ambiguës, reformuler des requêtes et soutenir des interactions centrées sur la récupération.
• Prise en charge multimodale des entrées : accepte le texte et l’image, permettant des workflows de recherche et de découverte plus riches.
• Synthèse de réponses concises : produit des résumés utiles et des réponses directes adaptées à une UX de type recherche.
• Préparation à l’intégration d’outils : fonctionne efficacement avec l’appel de fonctions et d’outils externes pour la recherche, la navigation et l’orchestration RAG.
• Compatibilité avec des sorties structurées : peut générer des réponses dans des formats organisés tels que JSON pour les systèmes aval.
• Suivi des instructions : gère de manière fiable les prompts guidés pour des tâches de classification, de routage, d’extraction et de mise en forme des réponses.
• Prise en charge des questions-réponses sur base de connaissances : s’intègre bien dans des systèmes qui récupèrent d’abord des documents, puis demandent au modèle de produire des réponses étayées.
• E-commerce et découverte de catalogue : utile pour interpréter l’intention d’achat, affiner des filtres et améliorer les interactions de recherche produit.
• Assistance au classement et au routage : peut aider à classer les requêtes et à les préparer pour la récupération, le classement ou la logique de branchement de workflow.
• Profil de déploiement efficace : en tant que modèle compact, convient aux intégrations évolutives et soucieuses des coûts tout en restant multimodal et compatible avec les outils.

Comment accéder à et intégrer gpt-4o-mini-search-preview

Étape 1 : Inscrivez-vous pour obtenir une clé API

Pour commencer, créez un compte sur CometAPI et générez votre clé API depuis le tableau de bord. Ensuite, stockez la clé en toute sécurité et utilisez-la dans l’en-tête Authorization pour toutes les requêtes.

Étape 2 : Envoyez des requêtes à l’API gpt-4o-mini-search-preview

Utilisez le point de terminaison compatible OpenAI de CometAPI et spécifiez le modèle 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)

Étape 3 : Récupérez et vérifiez les résultats

Analysez la sortie du modèle dans votre application et, si nécessaire, enchaînez-la avec des étapes de récupération, de reranking ou de vérification. Pour des systèmes de recherche et de RAG en production, il est recommandé de valider les sorties par rapport à des sources de confiance et de journaliser les réponses pour le suivi qualité.