OpenAI GPT-5.4-2026-03-05: 1.05M Kontext, 128K Ausgabe, 92.0 GPQA Diamond. Text-, Bild- und Dateieingabe.
Dies ist ein großes Sprachmodell von OpenAI mit einem Kontextfenster von 1,050,000 Token und einer maximalen Ausgabe von 128,000 Token. Es akzeptiert Text-, Bild- und Dateieingaben, sodass Benutzer…
Angesichts seines 1.05M Kontexts und der multimodalen Unterstützung zeichnet es sich bei Aufgaben aus wie der Analyse langer Finanzberichte mit eingebetteten Diagrammen, der Zusammenfassung gesamter rechtlicher Discovery-Dokumente, der Untersuchung großer Codebasen auf Fehler oder Muster und der Durchführung akademischer Forschung über lange wissenschaftliche Arbeiten hinweg. Es kann mehrere Bilder (z. B. Folien einer Präsentation) mit textuellem Kontext kombinieren und eine einheitliche Zusammenfassung erstellen. Die maximale Ausgabe von 128K macht es auch geeignet für die Erstellung umfassender Berichte, vollständiger Softwareprojekte oder erweiterter narrativer Inhalte, die von Modellen mit kleineren Ausgabelimits abgeschnitten würden. Anwendungsfälle, die hohe Argumentationsfähigkeiten erfordern, wie mehrstufige Mathematik- oder Logikprobleme, profitieren ebenfalls von den Benchmark-Ergebnissen.
Wenn Ihre Aufgabe kurze Eingaben und Ausgaben umfasst (z. B. Chatbot-Konversationen unter 4K Tokens, einfache Klassifikation oder kurze Übersetzungen), kann ein kleineres Modell wie OpenAI's GPT‑4o mini oder GPT‑4o kosteneffizienter und schneller sein. Falls die Aufgabe außerdem nicht die von GPQA Diamond gemessene Reasoning-Tiefe erfordert, kann ein günstigeres Modell zu niedrigeren Kosten akzeptable Ergebnisse erzielen. Da die Preisgestaltung für dieses Modell auf OrcaRouter nicht öffentlich verfügbar ist, sind die Kosten pro Token wahrscheinlich höher als bei kleineren Modellen. Prüfen Sie, ob der erweiterte Kontext und die Ausgabegröße notwendig sind; falls nicht, reduziert ein leichteres Modell sowohl die monetären Kosten als auch die Latenz.
Das Modell verarbeitet nativ Text-, Bild- und Dateieingaben innerhalb desselben Kontextfensters. Das bedeutet, dass Sie eine Anfrage senden können, die einen Text-Prompt, einige Bilder (z. B. Fotos, Diagramme) und angehängte Dateien (z. B. PDFs, Tabellenkalkulationen) als Teil des Nachrichten-Arrays enthält. Das Modell wird modalitätsübergreifend argumentieren. Beispielsweise könnten Sie es bitten, ein Diagramm in einem Bild mit Daten in einer CSV-Datei zu vergleichen und eine textuelle Analyse zu erstellen. Beachten Sie, dass die Verarbeitung von Bildern und Dateien Token aus dem Kontextfenster verbraucht; ein großes Bild kann Tausende von Token verbrauchen, planen Sie Ihre Anfragen daher so, dass Sie innerhalb von 1,050,000 Token bleiben.
Die Dateieingabe-Modalität umfasst gängige Dokumentformate wie PDF, Word, Excel, PowerPoint, Textdateien und möglicherweise Bildformate, die über typische Web-Bilder hinausgehen. Während die genauen Datei-MIME-Typen in den bereitgestellten Fakten nicht angegeben sind, unterstützt OrcaRouter wahrscheinlich denselben Umfang wie die Datei-Endpunkte von OpenAI. Für beste Ergebnisse verwenden Sie textbasierte Dateien (PDF, TXT, Code), da Bilder separat über die Bild-Modalität verarbeitet werden. Das Modell kann Text aus Dateien extrahieren und in seine Überlegungen einbeziehen. Wenn Sie ein Bild analysieren müssen, das in einer Datei eingebettet ist (z. B. ein PDF mit Bildern), ist es besser, das Bild separat zu extrahieren und über die Bildeingabe zu senden.
GPQA Diamond ist ein Benchmark, der aus Multiple-Choice-Fragen auf Graduiertenniveau in den Bereichen Biologie, Physik und Chemie besteht. Ein Wert von 92,0 zeigt, dass das Modell 92 % dieser Fragen richtig beantwortet hat. Dies ist ein starkes Ergebnis, das darauf hindeutet, dass das Modell über tiefgehendes logisches Denken und domänenspezifisches Wissen verfügt. Allerdings garantieren Benchmark-Werte keine perfekte Leistung in jedem realen Szenario. Das Modell kann weiterhin Fehler bei nuancierten Aufgaben oder Themen außerhalb seiner Trainingsverteilung machen. Dieser Wert ist eine vergleichende Metrik: Er zeigt, dass dieses Modell viele frühere Modelle in diesem speziellen Test übertrifft, aber für domänenspezifische Anwendungen mit hohem Risiko sollten Sie die Ausgaben stets validieren.
Zu den Stärken zählen die Fähigkeit, sehr lange Kontexte zu verarbeiten, mehrere Modalitäten zu handhaben und umfangreiche Ausgaben zu generieren. Die hohe GPQA-Diamond-Punktzahl deutet auf starke logische Schlussfolgerungen hin. Einschränkungen: Wie bei allen LLMs kann es plausibel klingende, aber falsche Informationen (Halluzinationen) erzeugen. Das große Kontextfenster führt dazu, dass das Modell Schwierigkeiten haben kann, sich auf wichtige Teile zu konzentrieren, wenn der Nutzer widersprüchliche oder irrelevante Informationen im Kontext bereitstellt. Da das Modell zudem groß ist, kann die Inferenzlatenz höher sein als bei kleineren Modellen. Die maximale Ausgabe des Modells von 128.000 Token ist großzügig, aber dennoch begrenzt; extrem lange Generierungen können abgeschnitten werden, wenn die Ausgabe dieses Limit überschreitet. Es werden keine öffentlichen Angaben zu Latenz oder Geschwindigkeit gemacht.
Der einzige spezifische Benchmark, der angegeben wird, ist GPQA Diamond mit 92,0. Zum Vergleich: Ältere OpenAI-Modelle wie GPT-4 (August 2023) erreichten etwa 38,0 auf GPQA (die höhere Messlatte von Diamond). GPT-4o (Mai 2024) erzielte ungefähr 75–80 auf GPQA Diamond (öffentlich bekannt). Daher zeigt dieses Modell eine Verbesserung. Für andere Benchmarks wie MMLU, HumanEval usw. werden keine Daten bereitgestellt; Benutzer sollten von einer typischen, starken Leistung ausgehen, die von einem Flaggschiff-Modell von OpenAI zu erwarten ist. Das Hauptunterscheidungsmerkmal ist die Kontext- und Ausgabegröße: GPT-4o hat einen 128K-Kontext und 16K-Ausgabe, während dieses Modell einen 1,05M-Kontext und 128K-Ausgabe bietet. Für sehr lange Dokumente ist dieses Modell daher die bessere Wahl.
In den bereitgestellten Fakten sind keine multimodalen Benchmarks (z. B. zur Bildbeschriftung oder visuellen Beantwortung von Fragen) enthalten. Angesichts der Tatsache, dass das Modell Bild- und Dateieingaben unterstützt, kann jedoch vernünftigerweise angenommen werden, dass es bei standardmäßigen Vision-Language-Aufgaben gute Leistungen erbringt, wahrscheinlich vergleichbar oder besser als die Vision-Fähigkeiten von GPT-4o. Benutzer, die an einer spezifischen multimodalen Genauigkeit interessiert sind, sollten das Modell mit ihren eigenen Datensätzen testen. Der GPQA Diamond Score (nur Text) bietet eine Basislinie für das Denken, deckt jedoch kein visuelles Denken ab. Für Aufgaben, die das Lesen von Text aus Bildern erfordern, verwendet das Modell intern optische Zeichenerkennung, es werden jedoch keine separaten OCR-Genauigkeitszahlen angegeben.
Die Preisgestaltung für openai/gpt-5.4-2026-03-05 auf OrcaRouter ist in den verfügbaren Fakten nicht öffentlich bekannt gegeben. Typischerweise verlangen Modelle mit sehr großen Kontextfenstern und hohen Ausgabelimits einen höheren Preis pro Token aufgrund der erforderlichen Rechenressourcen. Für aktuelle Preise sollten Sie das OrcaRouter-Dashboard konsultieren oder den Support kontaktieren. Bei der Budgetplanung sollten Sie bedenken, dass die hohe maximale Ausgabe (128K Token) zu höheren Kosten pro Anfrage führen kann. Einige Plattformen bieten Rabatte für das Caching wiederholter Eingabeaufforderungen; überprüfen Sie die OrcaRouter-Dokumentation für Details. Für kostensensible Arbeitslasten sollten Sie bewerten, ob kleinere Modelle für einen Teil der Pipeline akzeptable Ergebnisse erzielen können.
OrcaRouter bietet möglicherweise Caching-Mechanismen, bei denen wiederholte Prompts über mehrere Anfragen hinweg temporär gespeichert werden, um Kosten zu senken. Dies ist bei vielen API-Anbietern üblich. Bei einem Modell mit 1.05M Kontext kann Caching besonders vorteilhaft sein, wenn Sie oft denselben System-Prompt oder ein großes statisches Dokument verwenden. Die spezifischen Caching-Richtlinien für dieses Modell sind in den bereitgestellten Fakten jedoch nicht im Detail beschrieben. Sie können Caching wahrscheinlich aktivieren, indem Sie entsprechende Header setzen oder die integrierten Funktionen von OrcaRouter nutzen. Ohne Caching verarbeitet jede Anfrage den gesamten Kontext, sodass die Kosten linear mit der Eingabelänge skalieren. Zur Optimierung sollten Sie die Eingaben vorverarbeiten, um irrelevante Inhalte zu entfernen, bevor Sie sie senden.
In den Fakten sind für kein Modell Preisangaben enthalten. Allgemein gilt, dass Modelle mit größeren Kontextfenstern und neueren Veröffentlichungsdaten tendenziell teurer sind als frühere Modelle. GPT-4o mit einem 128K-Kontext und 16K-Ausgabe wäre wahrscheinlich günstiger als dieses Modell. Bei häufigen kurzen Anfragen sind die niedrigeren Kosten von GPT-4o möglicherweise wirtschaftlicher. Bei Aufgaben mit langen Dokumenten könnte das Kontextfenster von GPT-4o jedoch unzureichend sein, was eine Aufteilung in Blöcke und mehrere Aufrufe erzwingt; in diesem Fall könnten die höheren Kosten pro Token dieses Modells insgesamt niedriger sein, da zusätzliche Verarbeitung vermieden wird. Benutzer sollten ihre eigenen Kostenschätzungen basierend auf tatsächlichen Nutzungsmustern durchführen.
Setzen Sie die Basis-URL auf https://api.orcarouter.ai/v1 und verwenden Sie die Modell-ID "openai/gpt-5.4-2026-03-05" im Anfragetext. Die API ist vollständig kompatibel mit dem OpenAI Python-Client, curl oder jedem HTTP-Client, der den Chat-Completions-Endpunkt unterstützt. Beispiel mit der openai-Bibliothek in Python: ```python import openai client = openai.OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="YOUR_KEY") response = client.chat.completions.create( model="openai/gpt-5.4-2026-03-05", messages=[{"role":"user","content":"Explain quantum computing"}], max_tokens=2048 ) ``` Alle Standardparameter werden unterstützt. Denken Sie daran, YOUR_KEY durch einen OrcaRouter-API-Schlüssel zu ersetzen.
Die minimal erforderlichen Parameter sind „model“ (String, muss „openai/gpt-5.4-2026-03-05“ sein) und „messages“ (Array von Nachrichtenobjekten). Jedes Nachrichtenobjekt erfordert eine „role“ (system, user oder assistant) und „content“. Bei multimodaler Eingabe kann der Inhalt ein Array von Content-Parts (text, image_url oder file) sein. Das Modell unterstützt außerdem einen Parameter „max_tokens“ (Integer bis 128.000). Wenn nicht angegeben, kann das Modell bis zur Stop-Bedingung generieren. Weitere optionale Parameter sind temperature, top_p, frequency_penalty, presence_penalty, stop und stream. Alle folgen der OpenAI Chat Completions Spezifikation.
Die Migration umfasst die Änderung der Basis-URL und möglicherweise die Aktualisierung des API-Schlüssels. Wenn Ihr Code derzeit den OpenAI Python-Client mit der Standard-Basis-URL (api.openai.com) verwendet, müssen Sie den Client lediglich mit base_url="https://api.orcarouter.ai/v1" und Ihrem OrcaRouter-API-Schlüssel instanziieren. Die Modell-ID ändert sich vom OpenAI-Modellnamen (z.B. "gpt-5.4-2026-03-05") zu "openai/gpt-5.4-2026-03-05" (beachten Sie das Provider-Präfix). Alle anderen Parameter bleiben gleich. Testen Sie zuerst mit einer einfachen Anfrage. Dieses Modell kann sich geringfügig anders verhalten als dasselbe Modell, wenn es direkt über OpenAI aufgerufen wird, sollte aber für die meisten Anwendungsfälle funktional identisch sein.
GPT-4o (insbesondere die Version gpt-4o-2024-08-06) verfügt über ein Kontextfenster von 128.000 Token und eine maximale Ausgabe von 16.384 Token. Im Gegensatz dazu bietet openai/gpt-5.4-2026-03-05 ein Kontextfenster von 1.050.000 Token (etwa 8,2-mal größer) und eine maximale Ausgabe von 128.000 Token (etwa 7,8-mal größer). Dadurch eignet sich das neuere Modell weitaus besser für Aufgaben, die ganze Bücher, umfangreiche Codebasen oder lange Gesprächsverläufe umfassen, sowie für die Erzeugung langer Ausgaben wie vollständige Berichte. Allerdings könnte GPT-4o eine schnellere Inferenz und niedrigere Kosten bieten. In Bezug auf Benchmarks ist der GPQA-Diamond-Score von GPT-4o niedriger (ca. 80) im Vergleich zu 92,0, was auf besseres logisches Denken bei Fragen auf Graduiertenniveau hinweist. Für Aufgaben, die in den Kontext von GPT-4o passen, bleibt es eine starke Alternative.
GPT-4 Turbo (gpt-4-turbo-2024-04-09) hat ein Kontextfenster von 128.000 Tokens und eine maximale Ausgabe von 4.096 Tokens. Sein GPQA-Diamond-Wert ist deutlich niedriger (etwa 38). Daher übertrifft das 5.4-Modell es sowohl in Bezug auf Kontext, Ausgabe als auch Argumentation. Da GPT-4 Turbo älter ist, kann es weiterhin für kostengünstige kurze Aufgaben verwendet werden, aber für jede lange Kontext- oder hochanspruchsvolle Denkaufgabe ist dieses Modell überlegen. Das neuere Modell unterstützt auch nativ Bild- und Dateieingaben, während die Vision-Funktionen von GPT-4 Turbo später eingeführt wurden und nicht so integriert sind.
OrcaRouter bietet wahrscheinlich auch andere OpenAI-Modelle (z. B. openai/gpt-4o, openai/gpt-4-turbo) sowie Modelle anderer Anbieter an. Wenn Sie ein Kontextfenster benötigen, das größer als 128K Token, aber kleiner als 1,05M ist, könnten Sie Modelle wie Anthropics Claude 3.5 Sonnet (200K Kontext) oder Googles Gemini 1.5 Pro (1M Kontext) in Betracht ziehen. Die Wahl hängt von Ihren spezifischen Anforderungen an Reasoning, multimodale Unterstützung und Ausgabelänge ab. Dieses Modell zeichnet sich durch die Kombination eines sehr großen Kontexts und einer hohen Reasoning-Bewertung aus. Für beste Ergebnisse testen Sie Ihren spezifischen Anwendungsfall mit einer Beispielanfrage über die API von OrcaRouter, um die Ausgabequalität verschiedener Modelle zu vergleichen.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="openai/gpt-5.4-2026-03-05",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| Stufe | Eingabe / 1M Tokens | Ausgabe / 1M Tokens | Cache-Lesen / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| Stufe wird durch die Eingabe-Token-Anzahl jeder Anfrage bestimmt | |||
Schätzung auf Basis des Listenpreises
Gestaffelte Preise — diese Schätzung verwendet die Basisstufe.
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
GET /api/public/models/openai/gpt-5.4-2026-03-05Öffnen @misc{orcarouter_gpt_5_4_2026_03_05,
title = {openai/gpt-5.4-2026-03-05 API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5.4-2026-03-05}
}openai. (n.d.). openai/gpt-5.4-2026-03-05 API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5.4-2026-03-05