GPT-4o mini レビュー：日本語は安定、ただし画像入力は想像以上にトークンを使う

結論から言うと、GPT-4o mini（gpt-4o-mini）は、日本語の文章をそつなく書く「安定した軽量モデル」です。メールや要約は安心して任せられます。ただし、数字の矛盾に気づかずにもっともらしい誤答を出すことがあります。また、画像を入力すると1枚で2万トークンを超えることがあり、画像処理の用途ではコスト構造がまったく変わります。

概要

GPT-4o mini は OpenAI が2024年7月に公開した小型モデルです。

• 文脈長：128,000トークン（最大出力 16,384 トークン）
• 入力：テキスト・画像・ファイル
• 出力：テキスト
• ツール呼び出し・構造化出力（JSON Schema）に対応

日本語で試した結果

同じ5つの日本語タスクを複数のモデルに投げて比べました。

算数の題は、わざと整数解が出ない数字にしてあります。GPT-4o mini は途中で矛盾に気づいたのに、最後は根拠のない「9個」を答えにしました（9個だと合計は1,350円になり、題と合いません）。計算結果の検証が必要な処理に単独で使うのは避けたほうがよい、という結果です。

一方、文章生成は安定しています。応答は1回2〜7秒程度で、推論に時間を使うモデルと比べると体感はかなり軽快です。

画像入力：精度は十分、トークン消費は桁違い

日本語のレシート画像から、店名・日時・品目・軽減税率の対象・インボイス登録番号を JSON で抜き出させました。読み取りは全項目正確で、軽減税率の対象品目も正しく判定できています。

問題はトークン数です。同じ画像を入力したとき、GPT-4o mini の入力トークンは 25,568 でした。同じ OpenAI の GPT-4.1 nano は 1,220 です。GPT-4o mini は画像のトークンを多めに数える料金設計になっており、テキストの単価が安くても、画像1枚あたりの費用は高くつきます。

画像を大量に処理するなら、事前に同じ画像で入力トークン数を確認してからモデルを選んでください。

向いている用途／向かない用途

向いている：

• 日本語のメール・定型文・要約などの文章生成
• ツール呼び出しや JSON 出力を使う軽量なアプリ
• 応答の速さが体験を左右するチャット

向かない：

• 画像を大量に処理するパイプライン（トークン消費が大きい）
• 計算や数値の整合性を任せる処理（検算の仕組みが必要）

よくある質問

Q. GPT-4o mini と GPT-4.1 nano はどちらを選ぶべきですか？ 文章の安定感を重視するなら GPT-4o mini、画像を多く扱う・より安く抑えたいなら GPT-4.1 nano が候補です。画像1枚の入力トークンは約20倍違いました。

Q. GPT-4o mini の日本語は自然ですか？ メールや要約は自然です。ビジネス文書の頭語と結語の対応など、細かな書式は指示で補うと確実です。

Q. GPT-4o mini で構造化出力は使えますか？ はい。response_format に JSON Schema を指定すると、指定どおりの JSON が返りました。

FastMetal で試す

curl https://api.fastmetal.ai/v1/chat/completions \
  -H "Authorization: Bearer $FASTMETAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [{"role": "user", "content": "取引先への納期遅延のお詫びメールを200字で書いてください。"}]
  }'

同じ API キー・同じ円建て残高のまま、他のモデルと model を差し替えて比べられます。料金は料金ページ、対応モデルはモデルカタログでご確認ください。