OpenAI o3 ve o4: Reasoning Models Derinlemesine Analiz

# OpenAI o3 ve o4: Reasoning Models Derinlemesine Analiz

OpenAI'nın reasoning model serisi o1'le başladı (2024), o3 (2025 başı), o3-mini (2025 Q1), o4 (2026 Q1). "Reasoning" modelleri standart LLM'lerden farklı: respond etmeden önce hidden chain-of-thought yapar, math/code/complex reasoning task'larda radikal daha iyi performans verir ama daha yavaş + pahalıdır. Bu yazı o3/o4 ailesinin teknik detaylarını, reasoning_effort parametresini, maliyet/latency tradeoff'larını ve Claude Extended Thinking karşılaştırmasını anlatır.

💡 Pro Tip: Reasoning model seçmeden önce task'ın gerçekten reasoning gerektirdiğini doğrula. "Bu kitabı özetle" için o3 kullanmak — GPT-4o'nun 20x maliyeti olur, aynı cevap.

İçindekiler

• Reasoning Models Nedir?
• o3 vs o4 Karşılaştırma
• reasoning_effort Parametresi
• Benchmark Skorları
• Maliyet ve Latency
• API Kullanımı
• Claude Extended Thinking vs OpenAI Reasoning
• Ne Zaman Reasoning Model
• Production Pattern'ler

Reasoning Models Nedir?

Standart LLM'de (GPT-4o, Claude Sonnet):

• User question → Direct answer
• Maybe CoT if prompted

Reasoning model'de:

• User question → Hidden thinking (500-10,000+ token internal monologue) → Answer

Bu "düşünme" genellikle "chain-of-thought" denir ama scale ve depth çok farklı. Model problem'i aşama aşama çözüyor, kendisini doğrulayıp düzeltiyor.

Örnek

"Bir trenin 3 saatte 240 km yol aldığını, sonraki 2 saatte hızını %25 artırdığını biliyorum. Toplam mesafe nedir?"

GPT-4o (standart):

"240 km + (240/3 × 1.25 × 2) = 240 + 200 = 440 km"

(2 saniyede cevap, genelde doğru)

o3 (reasoning):

1[Thinking: 1500 token internal monologue]
2  - First calc speed: 240/3 = 80 km/h
3  - New speed: 80 × 1.25 = 100 km/h
4  - Distance in 2 hours: 100 × 2 = 200 km
5  - Total: 240 + 200 = 440 km
6  - Verify: work backwards... ✓
7 
8[Answer] 440 km

(10 saniyede cevap, her zaman doğru, edge case'lerde güçlü)

o3 vs o4 Karşılaştırma

reasoning_effort Parametresi

o-series'de reasoning seviyesi kontrol:

1from openai import OpenAI
2 
3client = OpenAI()
4 
5response = client.responses.create(
6    model="o3",
7    reasoning_effort="high",  # low, medium, high
8    input="Bu 3000-satır Python codebase'inde race condition'ı bul"
9)

Effort Levels

• low: ~1k reasoning tokens — simple problems
• medium: ~5k tokens — standard reasoning
• high: ~20k tokens — complex multi-step

reasoning_effort="high" = 5x daha pahalı + yavaş ama doğruluk %40 artış (hard problems).

Benchmark Skorları

SWE-bench Verified

• GPT-4o: 42.1%
• o3-mini (high): 62%
• o3 (high): 71.7%
• o4 (high): 74.5%
• Claude 4.7 Opus (xhigh): 72.5%

AIME 2025 (Math)

• GPT-4o: 13.4%
• o3-mini: 87%
• o3: 96.7%
• o4: 97.2% (beats human experts %97)
• Gemini 2.5 Pro: 97.2%
• Claude 4.7 Opus: 91.8%

Codeforces (Competitive Programming)

• o3: 2727 rating (Grandmaster tier — top 200 worldwide)
• o4: 2941 rating (Top 50)

GPQA Diamond

• o3: 87.7%
• o4: 92.4%
• Claude 4.7 Opus: 72.4%

Reasoning models, Claude Extended Thinking'den GPQA'da açık ara önde.

Maliyet ve Latency

Örnek: 1000 query/gün, complex reasoning

o3 high effort:

• Input: 2k token × 1000 = 2M × $15/1M = $30
• Reasoning: 15k token × 1000 = 15M × $60/1M = $900 (billed as output)
• Output: 500 × 1000 = 500k × $60/1M = $30
• Total: $960/gün = $28,800/ay

Claude Opus 4.7 xhigh:

• Input: 2M × $15/1M = $30
• Output (incl. thinking): 5.5M × $75/1M = $412.50/gün
• Total: $412.50/gün = $12,375/ay

Claude Opus xhigh yaklaşık yarı fiyat (benchmark'ta yakın performans).

Latency

• o3 high: p50 15s, p99 45s
• o4 high: p50 20s, p99 60s
• Claude Opus xhigh: p50 25s, p99 70s

Reasoning model'lerin tümü yavaş — real-time UX'e uygun değil.

API Kullanımı

Responses API (Yeni)

OpenAI 2025'te responses API'sini lanse etti — reasoning models için:

1response = client.responses.create(
2    model="o4",
3    reasoning_effort="high",
4    input="Bu complex problem..."
5)
6 
7# Response structure
8print(response.output[0].content[0].text)  # Final answer
9print(response.usage.reasoning_tokens)  # Thinking token count

Streaming

1with client.responses.stream(
2    model="o4",
3    reasoning_effort="high",
4    input="..."
5) as stream:
6    for event in stream:
7        if event.type == "response.output_text.delta":
8            print(event.delta, end="", flush=True)

Reasoning Summary (Preview)

o4'te reasoning summary — full thinking trace değil, ama özet:

1response = client.responses.create(
2    model="o4",
3    reasoning_effort="high",
4    reasoning_summary=True,
5    input="..."
6)
7 
8print(response.reasoning_summary)  # Concise thinking overview

Claude Extended Thinking vs OpenAI Reasoning

Ne Zaman Hangisi

OpenAI o4 seç:

• Matematik olimpiyat seviyesi problem
• Bilimsel araştırma (physics, chemistry, medicine)
• Competitive programming
• Multi-modal input (video analysis)

Claude Opus 4.7 xhigh seç:

• Software engineering (SWE-bench)
• Agentic workflow (tool use chains)
• Long-form writing
• Legal/business analysis
• Tight budget (yaklaşık yarı fiyat)

Ne Zaman Reasoning Model

✅ İdeal

• Matematik problemleri (olimpiyat, research)
• Complex coding (multi-file, algorithm design)
• Scientific paper review
• Legal contract analysis
• Medical diagnosis assistance
• Debugging hard bugs
• Architecture design

❌ Overkill

• Simple Q&A
• Content generation (blog, marketing)
• Translation
• Short summary
• Classification
• CRUD boilerplate

Rule of thumb: If GPT-4o/Sonnet solves correctly, reasoning model overkill.

Production Pattern'ler

Router Pattern

1async def smart_answer(query: str):
2    # 1. Haiku/GPT-4o-mini classifier (cheap)
3    complexity = await classify_complexity(query)
4 
5    if complexity == "simple":
6        return await gpt4o_mini_answer(query)  # $0.002
7    elif complexity == "medium":
8        return await claude_sonnet_answer(query)  # $0.02
9    elif complexity == "hard":
10        return await claude_opus_xhigh(query)  # $0.30
11    elif complexity == "extreme":
12        return await o4_high(query)  # $1.50

Parallel Consensus

Hard problem için multiple reasoning model parallel:

1results = await asyncio.gather(
2    o3_answer(problem),
3    o4_answer(problem),
4    claude_opus_xhigh_answer(problem)
5)
6# Compare answers, majority vote or escalate to human

$5/request ama kritik decisions için değer.

1def estimate_cost(
2    model: str,
3    input_tokens: int,
4    output_tokens: int,
5    reasoning_effort: str = None
6):
7    """Maliyet tahmin fonksiyonu."""
8    prices = {
9        "gpt-4o-mini": {"in": 0.15, "out": 0.60},
10        "gpt-4o": {"in": 2.50, "out": 10},
11        "o3-mini": {"in": 1.10, "out": 4.40},
12        "o3": {"in": 15, "out": 60},
13        "o4": {"in": 20, "out": 80},
14    }
15 
16    reasoning_tokens = {
17        "low": 1_000,
18        "medium": 5_000,
19        "high": 20_000,
20    }
21 
22    if model.startswith("o"):
23        reasoning = reasoning_tokens[reasoning_effort or "medium"]
24    else:
25        reasoning = 0
26 
27    p = prices[model]
28    cost = (input_tokens * p["in"] + (output_tokens + reasoning) * p["out"]) / 1_000_000
29 
30    return {
31        "total_cost_usd": cost,
32        "reasoning_tokens": reasoning,
33        "effective_output_tokens": output_tokens + reasoning
34    }
35 
36# Example
37print(estimate_cost("o4", 2000, 500, "high"))
38# {"total_cost_usd": 1.68, "reasoning_tokens": 20000, "effective_output_tokens": 20500}

Sonuç

OpenAI o3/o4 reasoning models matematik, bilimsel reasoning, karmaşık kod için çığır açıcı — ama maliyet + latency yüksek. Claude Opus 4.7 xhigh coding'de rekabetçi, daha ucuz, software dev için tercih. reasoning_effort medium çoğu task için optimal. Router pattern ile cheap/expensive model seçimi = production standard. 2026'nın sonunda o5 ve GPT-6 bekliyor — reasoning paradigması AI'ın yeni normalı.

*İlgili yazılar: GPT-5, Claude Extended Thinking, Claude Opus Ne Zaman.*