# Free o4-mini API：免费渠道已失效，API 将于 2026 年 10 月 23 日停用
> o4-mini API 将于 2026 年 10 月 23 日停用，官方替代是 gpt-5.6-terra；它已于 2026 年 2 月从 ChatGPT 下线，Windsurf、Cursor 的限时免费也已结束。
- Source: https://www.aifreeapi.com/zh/posts/free-o4-mini-api-guide
- Language: zh
- Published: 2025-01-28
- Updated: 2026-10-10
- Publisher: AI Free API (https://www.aifreeapi.com)
> **更新（2026 年 10 月 8 日）：** OpenAI 的 `o4-mini`（`o4-mini-2025-04-16`）API 将于 2026 年 10 月 23 日停用，官方替代是 `gpt-5.6-terra`（见 [OpenAI 弃用说明](https://developers.openai.com/api/docs/deprecations)）；o4-mini 已于 2026 年 2 月 13 日从 ChatGPT 下线（见 [OpenAI 帮助中心](https://help.openai.com/en/articles/20001051-retiring-gpt-4o-and-other-chatgpt-models)）。截至 2026 年 10 月 8 日，[OpenAI 价格页](https://developers.openai.com/api/docs/pricing)上 o4-mini 标准价为每百万 token 输入 $1.10、输出 $4.40，gpt-5.6-terra 短上下文为输入 $2、缓存输入 $0.20、输出 $12。下文 2025 年列出的免费渠道（Windsurf 限时免费、Cursor 免费、ChatGPT 免费版）都已结束。Terra 与 Sol、Luna 怎么选，见 [OpenAI 2026 最新文本模型怎么选：GPT-5.6 Sol、Terra、Luna 对比](/zh/posts/openai-text-models-2026)。
2025年4月16日，OpenAI发布了o4-mini推理模型。OpenAI 公布的数据显示，它在 AIME 2025 数学竞赛中配合 Python 解释器达到 99.5% 的准确率。这个模型支持文本和图像输入，对许多开发者来说，$1.10/百万输入tokens 的价格仍然是一个门槛，于是"免费 o4-mini API"成了常见的搜索。
先说结论：截至 2026 年 10 月 8 日，2025 年流传的几种免费用法都已结束，o4-mini 的 API 本身也将于 2026 年 10 月 23 日停用。下面保留各渠道的历史情况，并给出迁移到替代模型的价格与代码。
## 认识o4-mini：OpenAI 2025 年的小型推理模型
o4-mini 是 OpenAI o 系列中的小型推理模型。OpenAI 官方模型页现在把它标为已弃用，并注明已被 GPT-5 Mini 接替。
### 什么是o4-mini？
o4-mini是OpenAI在2025年4月16日发布的小型推理优化模型。与传统的语言模型不同，o4-mini被训练成在生成响应之前进行深度思考，这种"思考链"方法使其在需要复杂推理的任务上表现卓越。它可以接收图像输入，把视觉信息整合到推理过程中。[官方模型页](https://developers.openai.com/api/docs/models/o4-mini)列出的规格是：200,000 tokens 上下文窗口、最大输出 100,000 tokens、知识截止 2024 年 6 月 1 日，输入支持文本和图像，不支持音频和视频。
OpenAI 在 2025 年 4 月发布时公布：在 AIME 2025 测试中，配备Python解释器的o4-mini达到了99.5%的准确率，没有工具辅助时为92.7%。
### o4-mini 的性能与价格
**编程能力方面**，OpenAI 发布时公布的 SWE-Bench 成绩为 68.1%，Codeforces ELO 为 2719。
**成本效益方面**，截至 2026 年 10 月 8 日，o4-mini 标准价为$1.10/百万输入tokens（缓存输入 $0.275）和$4.40/百万输出tokens，按照3:1的输入输出比例计算，平均约为$1.93/百万tokens（(3 × 1.10 + 4.40) ÷ 4）。o3 降价后为 $2/$8，o4-mini 的单价约为它的一半。
**替代模型的价格**：官方替代 gpt-5.6-terra 的短上下文标准价为输入 $2、输出 $12，比 o4-mini 贵；如果任务不需要强推理，gpt-6-luna（输入 $0.10、输出 $0.50）便宜得多。
## 5 种"免费使用 o4-mini"的方法：截至 2026 年 10 月已全部失效或即将失效
下面是 2025 年流传的 5 种做法，以及它们现在的状态：
| 方法 | 2025 年的情况 | 截至 2026 年 10 月 8 日 |
|------|------|------|
| Windsurf | 2025 年 4 月 21 日前限时免费 | 已结束 |
| Cursor | 曾免费提供 o4-mini | 已结束；OpenAI 模型拟于 2026 年 11 月 12 日停止向 Cursor 供应 |
| Puter.js | 由用户付费，开发者无需 API 密钥 | o4-mini 停用后能否调用以 Puter 文档为准 |
| ChatGPT 免费版 | 可通过 Reason 使用 | 2026 年 2 月 13 日已下线 |
| API 中转服务 | 按量付费 | 并非免费；o4-mini 停用后能否调用以服务商为准 |
### 方法1：Windsurf平台（2025 年 4 月限时免费，已结束）
Windsurf 曾宣布在2025年4月21日之前，为所有用户（包括免费层）提供o4-mini的免费访问。这个活动早已结束，以下步骤仅作记录。
**具体操作步骤：**
1. 访问Windsurf官网并注册账号
2. 选择免费计划（Free Tier）
3. 在设置中选择o4-mini作为默认模型
4. 开始使用
这个免费政策在 2025 年 4 月 21 日结束。Windsurf 现在提供哪些模型、免费额度多少，以其官网当前说明为准。
### 方法2：Cursor开发环境（已结束）
Cursor 在 2025 年曾免费提供 o4-mini。之后 Cursor 改为按用量池计费，并于 2026 年 8 月被 SpaceX 收购；OpenAI 表示将停止向 Cursor 提供其模型，拟定截止日为 2026 年 11 月 12 日。
**2025 年时的特点：**
- o4-mini 当时免费
- 深度集成代码编辑功能
- 支持智能代码补全和重构
Cursor的独特价值在于其为编程任务优化的使用体验。如果您主要将o4-mini用于代码生成、调试或重构，Cursor提供的上下文感知能力会大大提升效率。
### 方法3：Puter.js（无需API密钥）
对于希望在Web应用中集成o4-mini的开发者，Puter.js提供了一个创新的解决方案。这是一个开源JavaScript库，允许您在浏览器中直接调用AI能力，而无需任何API密钥。
**实现代码示例：**
```html
```
Puter.js 的模式是由最终用户用自己的 Puter 账号承担费用，开发者不需要管理API密钥，也不需要设置后端服务器。o4-mini 的 API 停用后，`model: "o4-mini"` 是否还能用、会被换成什么模型，以 Puter 文档当前列出的模型为准。
### 方法4：ChatGPT免费版（2026 年 2 月 13 日已下线）
2025 年时，ChatGPT 免费版可以通过"Reason"按钮使用 o4-mini。OpenAI 已于 2026 年 2 月 13 日把 o4-mini、GPT-4o、GPT-4.1 等模型从 ChatGPT 下线。截至 2026 年 10 月 8 日，[ChatGPT 定价页](https://chatgpt.com/pricing/)显示免费版提供 GPT-6 Luna；[免费版 FAQ](https://help.openai.com/en/articles/9275245-chatgpt-free-tier-faq) 说明移动端可以选择 Think 模式进行推理。
### 方法5：API中转服务
对于中国开发者来说，直接访问OpenAI服务存在网络和支付方面的挑战。专业的API中转服务提供了一个优雅的解决方案。
以laozhang.ai为例，它解决的是访问和付款问题，并不是免费：
**特点：**
- 按量付费，价格以控制台当日显示为准
- 统一API接口，支持多模型切换
o4-mini 停用后能否继续调用，以服务商控制台为准；迁移到替代模型时，通常只需修改 `model` 参数。
## 实战教程：从零开始使用o4-mini API
下面的代码在 2025 年用于调用 o4-mini。o4-mini 将于 2026 年 10 月 23 日停用，示例中的模型名可以直接换成 `gpt-5.6-terra` 或其他替代模型。
### 快速开始：Puter.js示例
对于Web开发者来说，Puter.js提供了最快的上手方式。以下是一个完整的示例，展示如何构建一个简单的数学问题求解器：
```javascript
// 数学问题求解器
async function solveMathProblem(problem) {
const prompt = `请解决以下数学问题，展示详细的解题步骤：
问题：${problem}
要求：
1. 分析问题类型
2. 列出解题步骤
3. 进行计算
4. 验证答案`;
try {
const response = await puter.ai.chat(prompt, {
model: "o4-mini" // 停用后换成 Puter 文档列出的可用模型
});
return response;
} catch (error) {
console.error("求解失败:", error);
return "抱歉，无法解决这个问题。";
}
}
// 使用示例
solveMathProblem("一个圆的半径增加20%，面积增加多少百分比？")
.then(solution => {
console.log(solution);
});
```
### 进阶应用：研究论文审核系统
推理模型适合构建学术工具。以下是一个研究论文审核系统的核心实现（模型已换成 o4-mini 的官方替代 gpt-5.6-terra）：
```python
import requests
import PyPDF2
import json
class ResearchPaperReviewer:
def __init__(self, api_key):
self.api_key = api_key
self.api_url = "https://api.laozhang.ai/v1/chat/completions"
def extract_pdf_content(self, pdf_path):
"""提取PDF内容"""
with open(pdf_path, 'rb') as file:
reader = PyPDF2.PdfReader(file)
content = ""
for page in reader.pages:
content += page.extract_text()
return content
def analyze_paper(self, content):
"""分析论文质量"""
prompt = f"""作为一个严格的学术审稿人，请分析以下研究论文：
{content[:5000]} # 限制长度以节省成本
请从以下方面进行评估：
1. 研究问题的原创性和重要性
2. 方法论的严谨性
3. 实验设计和数据分析的合理性
4. 结论的可靠性
5. 写作质量和逻辑结构
对每个方面给出具体的改进建议。"""
response = requests.post(
self.api_url,
headers={
"Authorization": f"Bearer {self.api_key}",
"Content-Type": "application/json"
},
json={
"model": "gpt-5.6-terra", # o4-mini 将于 2026-10-23 停用
"messages": [
{"role": "system", "content": "你是一位经验丰富的学术审稿专家。"},
{"role": "user", "content": prompt}
],
# 推理模型用 max_completion_tokens，且要为推理 token 留出余量
"max_completion_tokens": 4000
}
)
return response.json()['choices'][0]['message']['content']
def generate_review_report(self, pdf_path):
"""生成完整的审稿报告"""
content = self.extract_pdf_content(pdf_path)
analysis = self.analyze_paper(content)
report = {
"paper_title": pdf_path.split('/')[-1],
"review_date": "2026-10-08",
"overall_assessment": analysis,
"recommendation": self.get_recommendation(analysis)
}
return report
def get_recommendation(self, analysis):
"""基于分析结果给出推荐"""
# 这里可以加入更复杂的逻辑
if "major issues" in analysis.lower():
return "Major Revision"
elif "minor" in analysis.lower():
return "Minor Revision"
else:
return "Accept"
# 使用示例
reviewer = ResearchPaperReviewer(api_key="your_laozhang_api_key")
report = reviewer.generate_review_report("research_paper.pdf")
print(json.dumps(report, indent=2, ensure_ascii=False))
```
### 性能优化技巧
在使用推理模型 API时，以下优化技巧可以帮助您获得更好的性能和成本效益：
**1. 调整推理强度（reasoning effort）**
OpenAI 的推理模型用 `reasoning_effort` 参数调节推理强度，在速度、成本和质量之间取舍：
```python
from openai import OpenAI
client = OpenAI()
# 简单任务使用低推理强度
response = client.chat.completions.create(
model="o4-mini", # 停用后换成 gpt-5.6-terra
reasoning_effort="low",
messages=[{"role": "user", "content": prompt}]
)
# 复杂推理使用高推理强度
response = client.chat.completions.create(
model="o4-mini",
reasoning_effort="high",
messages=[{"role": "user", "content": prompt}]
)
```
**2. 批量处理优化**
将多个相关任务合并成一个请求，利用o4-mini的200,000 token上下文窗口（输出上限 100,000 token）：
```python
def batch_process_questions(questions):
combined_prompt = "请回答以下所有问题，每个问题独立作答：\n\n"
for i, q in enumerate(questions, 1):
combined_prompt += f"问题{i}: {q}\n"
# 一次API调用处理所有问题
response = call_o4_mini_api(combined_prompt)
return parse_batch_response(response)
```
**3. 结果缓存策略**
对于重复性查询，实现智能缓存可以显著降低成本：
```python
import hashlib
import redis
class O4MiniCache:
def __init__(self):
self.redis_client = redis.Redis()
self.cache_ttl = 3600 # 1小时过期
def get_or_generate(self, prompt, model_params):
# 生成缓存键
cache_key = hashlib.md5(
f"{prompt}{json.dumps(model_params)}".encode()
).hexdigest()
# 尝试从缓存获取
cached = self.redis_client.get(cache_key)
if cached:
return json.loads(cached)
# 生成新响应
response = call_o4_mini_api(prompt, **model_params)
# 存入缓存
self.redis_client.setex(
cache_key,
self.cache_ttl,
json.dumps(response)
)
return response
```
## 真实应用案例分析
下面是 o4-mini 这类推理模型的典型用途。
### 场景1：实验设计辅助
把推理模型接入实验设计流程，可以用于：
- 分析历史实验数据，识别影响产率的关键因素
- 建议新的反应条件组合
- 在给定约束下比较多个方案
模型给出的建议需要由专业人员和实验验证，不能直接当作结论。
### 场景2：法律文档处理
推理模型可以辅助处理知识产权相关的法律文档：
- 分析商标申请文件，识别潜在的冲突
- 从法律文献中提取相关判例
- 生成初步的法律意见书草稿
o4-mini 的上下文窗口是 200,000 token，超长案卷需要先分段或检索后再送入模型；输出需要律师复核。
### 场景3：软件开发流程自动化
一个典型的应用场景是软件开发流程自动化：
- 代码审查：o4-mini可以理解复杂的代码逻辑，发现潜在的bug和性能问题
- 测试生成：自动为新功能生成全面的测试用例
- 文档更新：根据代码变更自动更新技术文档
OpenAI 公布的 o4-mini SWE-Bench 成绩为 68.1%；迁移到 gpt-5.6-terra 后，建议用自己的代码库样本重新评估。
## 中国开发者特别指南
对于中国开发者而言，使用o4-mini API面临着特殊的挑战。网络访问限制、支付方式不便、缺乏本地化支持等问题都需要妥善解决。
### 访问限制解决方案
直接访问OpenAI的API在中国大陆会遇到网络问题。虽然可以通过VPN解决，但这会带来延迟增加和稳定性下降的问题。更重要的是，在生产环境中使用VPN存在合规风险。
API中转服务是常见的替代做法，通过国内可访问的接入地址提供服务。延迟和稳定性因服务商而异，接入前用自己的请求测试一段时间。
### 推荐方案：laozhang.ai
laozhang.ai 是其中之一：
**技术特点：**
- 支持流式输出
- 兼容 OpenAI 接口格式，通常只需更换 base URL 和 key
**价格：**
- 按量付费，价格以控制台当日显示为准
- 截至 2026 年 10 月 8 日，图像模型 gpt-image-2 为 $0.03/次
**使用便利性：**
- 中文技术文档和客服支持
- 统一的API接口，可在 OpenAI、Claude、Gemini 等厂商的模型间切换
**快速接入代码：**
```python
# 使用laozhang.ai访问推理模型（o4-mini 停用后换成替代模型）
import requests
def call_laozhang_o4mini(prompt):
url = "https://api.laozhang.ai/v1/chat/completions"
headers = {
"Authorization": "Bearer YOUR_LAOZHANG_API_KEY",
"Content-Type": "application/json"
}
data = {
"model": "gpt-5.6-terra", # 原为 o4-mini
"messages": [
{"role": "user", "content": prompt}
],
"stream": False
}
response = requests.post(url, headers=headers, json=data)
return response.json()['choices'][0]['message']['content']
# 使用示例
result = call_laozhang_o4mini("用Python实现快速排序算法")
print(result)
```
注册地址：[https://api.laozhang.ai/register/](https://api.laozhang.ai/register/)。
### 成本计算器
下面按官方标准价（截至 2026 年 10 月 8 日，每百万 token）计算 o4-mini 与替代模型的成本。每日成本 = 每日调用 × (输入 token × 输入单价 + 输出 token × 输出单价) ÷ 1,000,000，月成本按 30 天计，不含缓存和推理 token 之外的额外费用：
| 场景 | 每日调用 | 每次输入/输出 | o4-mini（$1.10/$4.40） | gpt-5.6-terra（$2/$12） | gpt-6-luna（$0.10/$0.50） |
|------|------|------|------|------|------|
| 个人开发者 | 100 | 500 / 1,500 | $0.715/天，约 $21.45/月 | $1.90/天，约 $57/月 | $0.08/天，约 $2.40/月 |
| 小型团队 | 1,000 | 1,000 / 2,000 | $9.90/天，约 $297/月 | $26/天，约 $780/月 | $1.10/天，约 $33/月 |
| 生产应用 | 10,000 | 2,000 / 3,000 | $154/天，约 $4,620/月 | $400/天，约 $12,000/月 | $17/天，约 $510/月 |
可以看到，按官方替代 gpt-5.6-terra 迁移，同样用量的费用约为 o4-mini 的 2.6 倍；如果任务不需要强推理，先测试 gpt-6-luna 能否胜任。推理模型的输出 token 包括不可见的推理 token，实际输出量通常比可见回答更多，请以 API 返回的 usage 为准。
## 性能基准对比
以下是 OpenAI 在 2025 年 4 月发布 o4-mini 时公布的成绩，比较对象（GPT-4o、Claude 3.5 Sonnet）都已是旧模型：
**数学推理：**
- o4-mini (with Python): 99.5% (AIME 2025)
- o4-mini (no tools): 92.7% (AIME 2025)
**编程能力：**
- o4-mini: Codeforces ELO 2719, SWE-Bench 68.1%
**多模态能力：**
o4-mini 可以把图像信息整合到推理链中，适合处理包含图表、公式、流程图的文档。
这些成绩说明 o4-mini 在 2025 年的推理能力，但它即将停用，迁移前请用自己的任务样本比较替代模型的效果。
## 行动建议：2026 年 10 月 23 日前迁移
o 系列模型正在陆续退役：o1、o3-mini、o4-mini 于 2026 年 10 月 23 日停用，o3、o3-pro 于 2026 年 12 月 11 日停用，官方替代分别是 gpt-5.6-sol 和 gpt-5.6-terra。
**立即行动（10 月 23 日前）：**
1. 在代码和配置里搜索 `o4-mini`、`o4-mini-2025-04-16`，列出所有调用点
2. 用同一批样本对比 gpt-5.6-terra、gpt-6-luna 的效果和 token 消耗
3. 按上面的公式重算月度预算，再切换模型
**短期规划（1-3个月）：**
1. 把模型 ID 放进配置文件，便于以后再次迁移
2. 对比不同模型，找到最适合的技术方案
3. 定期查看 OpenAI 弃用页面
**长期战略（3-12个月）：**
1. 将AI能力深度整合到产品核心功能中
2. 建立AI使用的最佳实践和质量标准
3. 培养团队的AI思维和应用能力
## 结语：免费 o4-mini 已成历史，尽快迁移
2025 年流传的"免费 o4-mini API"渠道都已结束，o4-mini 的 API 也将于 2026 年 10 月 23 日停用。还在用 o4-mini 的项目，现在要做的是迁移：需要同等推理能力就换官方替代 gpt-5.6-terra，任务较简单就测试更便宜的 gpt-6-luna。
国内开发者如需兼容 OpenAI 格式的中转服务，可以访问 [https://api.laozhang.ai/register/](https://api.laozhang.ai/register/)。