OpenAI GPT-5.4-2026-03-05: 1.05M de contexto, 128K de salida, 92.0 GPQA Diamond. Entrada de texto, imagen y archivo.
Este es un modelo de lenguaje grande de OpenAI con una ventana de contexto de 1,050,000 tokens y una salida máxima de 128,000 tokens. Acepta entradas de texto, imágenes y archivos, lo que permite a…
Dado su contexto de 1.05M y soporte multimodal, sobresale en tareas como analizar informes financieros largos con gráficos incrustados, resumir documentos de descubrimiento legal completos, examinar grandes bases de código en busca de errores o patrones, y realizar investigaciones académicas sobre artículos extensos. Puede combinar varias imágenes (por ejemplo, diapositivas de una presentación) con contexto textual y producir un resumen unificado. La salida máxima de 128K también lo hace adecuado para generar informes completos, proyectos de software enteros o contenido narrativo extenso que se truncaría con modelos de límites de salida más pequeños. Los casos de uso que requieren alta capacidad de razonamiento, como problemas matemáticos o lógicos de múltiples pasos, también se benefician de las puntuaciones de referencia.
Si tu tarea implica entradas y salidas cortas (por ejemplo, conversaciones de chatbot con menos de 4K tokens, clasificación simple o traducciones breves), un modelo más pequeño como OpenAI's GPT-4o mini o GPT-4o puede ser más rentable y rápido. Además, si la tarea no requiere la profundidad de razonamiento medida por GPQA Diamond, un modelo más barato puede lograr resultados aceptables a un costo menor. Debido a que el precio de este modelo en OrcaRouter no está disponible públicamente, es probable que el costo por token sea más alto que para modelos más pequeños. Evalúa si el contexto extendido y el tamaño de salida son necesarios; si no, un modelo más ligero reducirá tanto el costo monetario como la latencia.
El modelo maneja de manera nativa entradas de texto, imagen y archivo dentro de la misma ventana de contexto. Esto significa que puedes enviar una solicitud que incluya un prompt de texto, algunas imágenes (p. ej., fotografías, diagramas) y archivos adjuntos (p. ej., PDFs, hojas de cálculo) como parte del arreglo de mensajes. El modelo razonará a través de todas las modalidades. Por ejemplo, podrías pedirle que compare un diagrama en una imagen con datos en un archivo CSV y produzca un análisis textual. Ten en cuenta que el procesamiento de imágenes y archivos consume tokens de la ventana de contexto; una imagen grande puede usar miles de tokens, por lo que debes planificar tus solicitudes en consecuencia para mantenerte dentro de 1,050,000 tokens.
La modalidad de entrada de archivos cubre formatos de documento comunes como PDF, Word, Excel, PowerPoint, archivos de texto y posiblemente formatos de imagen más allá de las imágenes web típicas. Si bien los tipos MIME exactos de los archivos no se especifican en los datos proporcionados, es probable que OrcaRouter admita el mismo rango que los endpoints de archivos de OpenAI. Para obtener mejores resultados, utilice archivos basados en texto (PDF, TXT, código) porque las imágenes se manejan por separado a través de la modalidad de imagen. El modelo puede extraer texto de los archivos e incorporarlo en su razonamiento. Si necesita analizar una imagen incrustada en un archivo (por ejemplo, un PDF con imágenes), es mejor extraer la imagen por separado y enviarla a través de la entrada de imagen.
GPQA Diamond es un punto de referencia que consiste en preguntas de opción múltiple a nivel de posgrado en biología, física y química. Una puntuación de 92.0 indica que el modelo respondió correctamente al 92% de estas preguntas. Este es un resultado sólido, lo que sugiere que el modelo posee un razonamiento profundo y conocimiento específico del dominio. Sin embargo, las puntuaciones de los puntos de referencia no garantizan un rendimiento perfecto en todos los escenarios del mundo real. El modelo aún puede producir errores en tareas matizadas o temas fuera de su distribución de entrenamiento. Esta puntuación es una métrica comparativa: muestra que este modelo supera a muchos modelos anteriores en esta prueba específica, pero para aplicaciones de alto riesgo específicas del dominio, siempre valide los resultados.
Las fortalezas incluyen la capacidad de procesar contextos muy largos, manejar múltiples modalidades y generar resultados extensos. La alta puntuación en GPQA Diamond indica un razonamiento sólido. Limitaciones: como con todos los LLMs, puede generar información que suena plausible pero incorrecta (alucinación). La gran ventana de contexto significa que si un usuario proporciona información contradictoria o irrelevante dentro del contexto, el modelo puede tener dificultades para concentrarse en las partes importantes. Además, debido a que el modelo es grande, la latencia de inferencia puede ser mayor que en modelos más pequeños. La salida máxima del modelo de 128.000 tokens es generosa pero aún finita; las generaciones extremadamente largas pueden truncarse si la salida supera ese límite. No se proporcionan cifras de latencia o velocidad de forma pública.
El único punto de referencia específico proporcionado es GPQA Diamond con un 92.0. A modo de comparación, modelos anteriores de OpenAI como GPT-4 (agosto de 2023) obtuvieron alrededor de 38.0 en GPQA (el nivel más alto de Diamond). GPT-4o (mayo de 2024) obtuvo aproximadamente 75-80 en GPQA Diamond (públicamente conocido). Por lo tanto, este modelo muestra una mejora. En cuanto a otros puntos de referencia como MMLU, HumanEval, etc., no se proporcionan datos; los usuarios deben asumir el rendimiento sólido típico esperado de un modelo insignia de OpenAI. El diferenciador clave es el tamaño de contexto y salida: GPT-4o tiene un contexto de 128K y una salida de 16K, mientras que este modelo tiene un contexto de 1.05M y una salida de 128K. Por lo tanto, para documentos muy largos, este modelo es la mejor opción.
No se incluyen evaluaciones comparativas multimodales (por ejemplo, sobre descripción de imágenes o respuesta a preguntas visuales) en los datos proporcionados. Sin embargo, dado que el modelo admite entradas de imágenes y archivos, es razonable asumir que funciona bien en tareas estándar de lenguaje visual, probablemente comparable o mejor que las capacidades de visión de GPT-4o. Los usuarios interesados en la precisión multimodal específica deberían probar el modelo en sus propios conjuntos de datos. La puntuación GPQA Diamond (solo texto) proporciona una línea base para el razonamiento, pero no cubre el razonamiento visual. Para tareas que requieren leer texto de imágenes, el modelo utiliza internamente reconocimiento óptico de caracteres, pero no se proporcionan cifras de precisión de OCR por separado.
El precio de openai/gpt-5.4-2026-03-05 en OrcaRouter no se divulga públicamente en los datos disponibles. Por lo general, los modelos con ventanas de contexto muy grandes y límites de salida altos tienen un precio por token más alto debido a los recursos computacionales requeridos. Para conocer los precios actuales, debe consultar el panel de OrcaRouter o ponerse en contacto con su soporte. Al hacer un presupuesto, considere que el alto límite máximo de salida (128K tokens) puede generar facturas más grandes por solicitud. Algunas plataformas ofrecen descuentos por almacenamiento en caché para indicaciones repetidas; consulte la documentación de OrcaRouter para obtener más detalles. Para cargas de trabajo sensibles al costo, evalúe si los modelos más pequeños pueden lograr resultados aceptables para parte del proceso.
OrcaRouter puede ofrecer mecanismos de almacenamiento en caché donde las indicaciones que se repiten en las solicitudes se almacenan temporalmente para reducir el costo. Esto es común en muchos proveedores de API. Para un modelo con un contexto de 1.05M, el almacenamiento en caché puede ser especialmente beneficioso si a menudo usa la misma indicación del sistema o un documento estático grande. Sin embargo, las políticas específicas de almacenamiento en caché para este modelo no se detallan en los hechos proporcionados. Es probable que pueda habilitar el almacenamiento en caché configurando los encabezados adecuados o utilizando las funciones integradas de OrcaRouter. Sin almacenamiento en caché, cada solicitud procesa el contexto completo, por lo que los costos escalan linealmente con la longitud de entrada. Para optimizar, preprocese las entradas para eliminar contenido irrelevante antes de enviarlas.
No se proporcionan cifras de precios para ningún modelo en los datos. Como nota general, los modelos con ventanas de contexto más grandes y fechas de lanzamiento más recientes tienden a tener precios más altos que los modelos anteriores. GPT-4o, que tiene un contexto de 128K y una salida de 16K, probablemente sería más barato que este modelo. Para solicitudes cortas frecuentes, el menor costo de GPT-4o puede ser más económico. Para tareas de documentos largos, la ventana de contexto de GPT-4o puede ser insuficiente, lo que obliga a dividir en fragmentos y realizar múltiples llamadas; en ese caso, el mayor costo por token de este modelo puede ser en realidad más bajo en general porque evita procesamiento adicional. Los usuarios deben realizar sus propias estimaciones de costos basadas en los patrones de uso reales.
Establezca la URL base como https://api.orcarouter.ai/v1 y use el ID de modelo "openai/gpt-5.4-2026-03-05" en el cuerpo de la solicitud. La API es completamente compatible con el cliente Python de OpenAI, curl, o cualquier cliente HTTP que soporte el endpoint de chat completions. Ejemplo con la librería openai en 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 ) ``` Todos los parámetros estándar son compatibles. Recuerde reemplazar YOUR_KEY con una clave API de OrcaRouter.
Los parámetros mínimos requeridos son "model" (cadena, debe ser "openai/gpt-5.4-2026-03-05") y "messages" (arreglo de objetos de mensaje). Cada objeto de mensaje requiere un "role" (system, user o assistant) y "content". Para entrada multimodal, el content puede ser un arreglo de partes de contenido (text, image_url o file). El modelo también admite un parámetro "max_tokens" (entero hasta 128,000). Si se omite, el modelo puede generar hasta la condición de parada. Otros parámetros opcionales incluyen temperature, top_p, frequency_penalty, presence_penalty, stop y stream. Todos siguen la especificación de OpenAI Chat Completions.
La migración implica cambiar la URL base y posiblemente actualizar la clave de API. Si tu código actualmente utiliza el cliente Python de OpenAI con la URL base predeterminada (api.openai.com), solo necesitas instanciar el cliente con base_url="https://api.orcarouter.ai/v1" y tu clave de API de OrcaRouter. El ID del modelo cambia del nombre del modelo de OpenAI (por ejemplo, "gpt-5.4-2026-03-05") a "openai/gpt-5.4-2026-03-05" (nota el prefijo del proveedor). Todos los demás parámetros permanecen igual. Primero prueba con una solicitud simple. Este modelo puede tener un comportamiento ligeramente diferente al mismo modelo cuando se accede directamente a través de OpenAI, pero debería ser funcionalmente idéntico para la mayoría de los casos de uso.
GPT-4o (específicamente la versión gpt-4o-2024-08-06) tiene una ventana de contexto de 128 000 tokens y una salida máxima de 16 384 tokens. En contraste, openai/gpt-5.4-2026-03-05 ofrece una ventana de contexto de 1 050 000 tokens (aproximadamente 8,2 veces mayor) y una salida máxima de 128 000 tokens (aproximadamente 7,8 veces mayor). Esto hace que el modelo más nuevo sea mucho más adecuado para tareas que involucran libros completos, bases de código masivas o historiales de conversación largos, y para generar salidas extensas como informes completos. Sin embargo, GPT-4o puede tener una inferencia más rápida y un costo menor. En cuanto a benchmarks, el puntaje GPQA Diamond de GPT-4o es más bajo (aprox. 80) en comparación con 92,0, lo que indica un mejor razonamiento en preguntas de nivel de posgrado. Para tareas que caben dentro del contexto de GPT-4o, sigue siendo una alternativa fuerte.
GPT-4 Turbo (gpt-4-turbo-2024-04-09) tiene una ventana de contexto de 128,000 tokens y una salida máxima de 4,096 tokens. Su puntuación GPQA Diamond es significativamente más baja (alrededor de 38). Por lo tanto, el modelo 5.4 lo supera tanto en contexto, salida y razonamiento. Dado que GPT-4 Turbo es más antiguo, aún puede usarse para tareas cortas de bajo costo, pero para cualquier carga de trabajo de contexto largo o alto razonamiento, este modelo es superior. El modelo más nuevo también admite entradas de imágenes y archivos de forma nativa, mientras que las capacidades de visión de GPT-4 Turbo se introdujeron más tarde y no están tan integradas.
OrcaRouter probablemente ofrece otros modelos de OpenAI (por ejemplo, openai/gpt-4o, openai/gpt-4-turbo), así como modelos de otros proveedores. Si necesitas una ventana de contexto mayor a 128K tokens pero menor a 1.05M, podrías considerar modelos como Claude 3.5 Sonnet de Anthropic (contexto de 200K) o Gemini 1.5 Pro de Google (contexto de 1M). La elección depende de tus requisitos específicos de razonamiento, soporte multimodal y longitud de salida. Este modelo se destaca por su combinación de una ventana de contexto muy grande y una alta puntuación de razonamiento. Para obtener los mejores resultados, prueba tu caso de uso específico con una solicitud de muestra a través de la API de OrcaRouter para comparar la calidad de salida entre modelos.
Compatible con OpenAI: conserva tu SDK actual
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| Nivel | Entrada / 1M tokens | Salida / 1M tokens | Lectura caché / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| El nivel se selecciona por el número de tokens de entrada de cada solicitud | |||
Estimación según precio de lista
Precios por niveles: esta estimación usa las tarifas del nivel base.
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/openai/gpt-5.4-2026-03-05Abrir @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