OpenAI GPT-5 Nano : contexte de 400K, 83,7 AA Math, entrée texte/image/fichier, 0,05 $/M tokens d'entrée via OrcaRouter.
OpenAI GPT-5 Nano (sortie le 2025-08-07) est un membre plus petit et optimisé en termes de coût de la famille GPT-5. Il offre une fenêtre de contexte de 400 000 tokens, suffisante pour traiter des…
GPT-5 Nano accepte les entrées de texte, d'image et de fichier, ce qui lui permet de raisonner sur un mélange de formats. Son contexte de 400 000 jetons peut contenir des centaines de pages de texte ainsi que des images intégrées ou des pièces jointes. Le modèle peut générer jusqu'à 128 000 jetons en une seule réponse, ce qui le rend adapté aux longues sorties analytiques, aux générations de code ou aux démonstrations mathématiques en plusieurs étapes. Son score AA Math de 83,7 témoigne d'un fort raisonnement arithmétique et logique. Les cas d'utilisation courants incluent le résumé de longs documents, l'annotation image-texte, l'extraction de données à partir de fichiers, et la résolution de problèmes éducatifs où la compréhension des graphiques et du contexte textuel est nécessaire.
Les cas d'utilisation les plus pertinents exploitent le large contexte du modèle et l'entrée multimodale sans exiger des performances de référence maximales. Exemple : traiter un contrat juridique de 300 pages accompagné de pièces jointes (images de signatures, tableaux) pour en extraire les obligations. Autre exemple : analyser un long article de recherche avec des figures, puis rédiger une critique de 10 000 mots. En éducation, GPT-5 Nano peut résoudre un problème mathématique complexe étape par étape, en utilisant des images d'équations manuscrites. Pour les pipelines de données, il peut ingérer des PDF et des images, produisant des données structurées. Ces tâches bénéficient du faible coût d'entrée ($0,05/M tokens) et de la capacité à traiter les fichiers directement.
Si votre application ne nécessite jamais plus de, disons, 8 000 tokens de contexte et n'a pas besoin d'entrées d'image ou de fichier, un modèle plus petit et moins cher (par exemple, GPT-4 Mini avec un coût par token inférieur) serait plus économique. De même, si vos sorties sont toujours très courtes (par exemple, des classifications en un mot), payer 0,40 $ par 1M de tokens de sortie peut être un gaspillage—envisagez un modèle optimisé pour la classification avec un coût de sortie inférieur. GPT-5 Nano est le plus rentable lorsque vous avez réellement besoin de sa fenêtre de contexte de 400K ou de ses capacités multimodales ; sinon, des modèles plus simples vous feront économiser de l'argent.
Le benchmark AA Math évalue le raisonnement mathématique—résoudre des problèmes d'arithmétique, d'algèbre et de mots. Un score de 83.7 indique que GPT-5 Nano a correctement résolu 83.7% des tâches de ce benchmark. C'est une performance solide pour un modèle « nano », ce qui implique qu'il peut traiter de manière fiable des mathématiques du niveau de l'école primaire au début du lycée, y compris des problèmes à plusieurs étapes. Comparez cela avec des modèles plus grands qui peuvent obtenir un score supérieur à 90 mais à un coût par token plus élevé. Le score confirme que pour le raisonnement mathématique, GPT-5 Nano offre un bon compromis coût‑précision pour de nombreuses applications.
Les chiffres de latence pour GPT-5 Nano ne sont pas divulgués publiquement par OpenAI en date de la sortie du 2025-08-07. En pratique, la vitesse dépend de facteurs tels que le nombre total de tokens, la charge des requêtes et l'infrastructure d'OrcaRouter. Parce que Nano est un modèle plus petit par rapport aux grandes variantes, il a probablement une latence par token plus faible, mais les chiffres exacts ne sont pas disponibles. OrcaRouter traite les requêtes de manière asynchrone avec des configurations de délai d'attente standard. Pour les applications en temps réel sensibles à la latence, nous recommandons d'effectuer des tests comparatifs avec votre charge utile typique (y compris les images/fichiers) via l'API OrcaRouter pour évaluer l'adéquation.
Forces : Long contexte (400K tokens), entrée multi‑modale (texte/image/fichier), grande capacité de sortie (128K tokens), bon raisonnement mathématique (83.7 AA Math), et faible coût par token. Limites : Ce n'est pas le modèle le plus performant sur d'autres benchmarks (scores non fournis pour les tâches de codage, de raisonnement ou de connaissances). Son nombre de paramètres plus faible signifie probablement qu'il peine avec les tâches très nuancées ou créatives. De plus, la latence n'est pas garantie ; pas de support pour l'entrée audio ou vidéo. La qualité de la sortie peut se dégrader sur des générations très longues proches de la limite de 128K. Pour les tâches nécessitant des scores de pointe, envisagez des modèles GPT‑5 plus grands.
La tarification repose sur l'utilisation des jetons, facturée au tarif du fournisseur OpenAI sans marge. Jetons d'entrée : 0,05 $ pour 1 million de jetons. Jetons de sortie : 0,40 $ pour 1 million de jetons. OrcaRouter transmet ces tarifs exacts. Pour une conversation typique utilisant 100 000 jetons d'entrée (y compris les images tokenisées dans l’entrée) et 10 000 jetons de sortie, le coût serait de (0,05 $ × 0,1) + (0,40 $ × 0,01) = 0,005 $ + 0,004 $ = 0,009 $ (moins d'un centime). La facturation est mesurée au niveau du jeton ; vous pouvez définir des limites de dépenses via le tableau de bord OrcaRouter.
Le principal avantage du GPT-5 Nano est son faible coût d'entrée par rapport à la taille de son contexte. Par exemple, traiter un document de 400 000 tokens coûte seulement 0,02 $ pour l'entrée (400 K / 1 M × 0,05 $). Les tokens de sortie sont plus chers par token, donc si votre application génère des réponses très longues, le coût de sortie peut dominer. Par exemple, une sortie de 100 000 tokens coûte 0,04 $ (100 K / 1 M × 0,40 $). Évaluez votre ratio entrée-sortie moyen. Si les sorties sont courtes mais les entrées énormes, Nano est extrêmement économique. Si les sorties approchent les 128 K, demandez-vous s'il existe un modèle au tarif de sortie moins élevé pour votre tâche spécifique.
OrcaRouter ne divulgue pas de mécanismes de mise en cache spécifiques pour des modèles individuels. Les bonnes pratiques standard des API s'appliquent : réutilisez les réponses au niveau de l'application lorsque cela est approprié, et minimisez la consommation redondante de jetons. Notez que, parce que GPT-5 Nano prend en charge les entrées de fichiers et d'images (qui sont tokenisées), chaque fichier ou image unique compte comme de nouveaux jetons d'entrée. La mise en cache du contenu tokenisé n'est pas prise en charge au niveau de l'API. Pour optimiser les coûts, vous pouvez mettre en cache les parties textuelles de vos invites côté client et éviter de renvoyer des contextes longs identiques si la réponse du modèle est déterministe et que vous contrôlez temperature=0.
Utilisez le point de terminaison compatible avec l'API OpenAI : URL de base https://api.orcarouter.ai/v1, ID de modèle "openai/gpt-5-nano-2025-08-07". Exemple avec curl : ```bash curl https://api.orcarouter.ai/v1/chat/completions \ -H "Authorization: Bearer YOUR_ORCAROUTER_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "openai/gpt-5-nano-2025-08-07", "messages": [{"role": "user", "content": [{"type": "text", "text": "Solve this math problem."},{"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}}]}], "max_tokens": 512 }' ``` Tous les paramètres standard (temperature, top_p, stop, frequency_penalty, etc.) sont pris en charge. Les entrées de fichier peuvent être encodées en base64 ou basées sur une URL.
GPT-5 Nano prend en charge les paramètres standard des complétions de chat : model (obligatoire, utiliser l'ID exact), messages (tableau d'objets message), max_tokens (jusqu'à 128000), temperature (0–2, par défaut 1), top_p (0–1, par défaut 1), n (nombre de complétions, par défaut 1), stop (chaîne ou tableau), frequency_penalty, presence_penalty, user (identifiant unique pour le suivi), et logit_bias. Pour les entrées d'images et de fichiers, utilisez des objets de contenu avec le type "image_url" (pour les images) ou "file" (pour les pièces jointes, si pris en charge—consultez la documentation OrcaRouter). Des paramètres comme tools, tool_choice et response_format sont disponibles lorsque le modèle prend en charge la sortie structurée.
La migration est simple car OrcaRouter implémente exactement le même schéma compatible OpenAI. Changez seulement deux choses : 1) Définissez l'URL de base sur https://api.orcarouter.ai/v1 ; 2) Remplacez votre clé API OpenAI par une clé API OrcaRouter (obtenez-la depuis le tableau de bord OrcaRouter). Conservez tous les autres corps de requête inchangés, y compris les identifiants de modèle formatés comme "openai/gpt-5-nano-2025-08-07". OrcaRouter gère le routage et la facturation. Aucune modification de code au-delà du point de terminaison et de la clé n'est nécessaire. Testez avec une seule requête pour confirmer la connectivité et la comptabilisation de l'utilisation des tokens.
Pour les entrées de fichiers, incluez un objet de contenu de type "file" et fournissez les données du fichier sous forme d'encodage base64 ou d'une URL publique. OrcaRouter accepte le même schéma que l'API d'OpenAI. Exemple de contenu de message : [{"type": "text", "text": "Résumez ce PDF"}, {"type": "file", "file": {"url": "..."}}]. Le coût tokenisé des fichiers dépend de leur taille et de leur complexité (les images sont comptées comme des jetons d'entrée proportionnels à la résolution). Assurez-vous que votre contexte total (jetons de texte+image+fichier) reste en dessous de 400 000. Pour les fichiers très volumineux, envisagez un pré‑découpage ou une stratégie différente.
GPT-5 Nano offre une fenêtre de contexte plus large (400K contre 128K typique pour GPT‑4 Mini) et une entrée multi‑modale (texte/image/fichier contre texte uniquement dans de nombreuses variantes Mini). Son coût est inférieur : 0,05 $/0,40 $ par million de tokens contre des tarifs GPT‑4 Mini souvent plus élevés pour la sortie. Cependant, GPT‑4 Mini peut offrir une inférence plus rapide (bien que les chiffres de latence ne soient publiés pour aucun des deux). Le score AA Math de GPT‑5 Nano (83,7) est compétitif ou dépasse les performances mathématiques de GPT‑4 Mini. Pour les tâches multi‑modales à long contexte, Nano est le choix évident ; pour les textes génériques courts, Mini peut encore être rentable.
GPT-5 Pro est le grand modèle phare d'OpenAI avec des scores de benchmark plus élevés dans tous les domaines, mais aussi des tarifs de tokens plus élevés (tarifs exacts non fournis). Pro a probablement une fenêtre de contexte plus petite (128K selon les rumeurs) mais une meilleure capacité de raisonnement, de codage et de créativité. GPT-5 Nano échange une partie de la précision et des capacités pour un prix beaucoup plus bas et un contexte plus long. Si votre priorité est une qualité maximale sur des tâches difficiles, choisissez Pro. Si vous devez traiter de grandes quantités de données de manière économique et pouvez accepter une précision modérée, Nano est supérieur. Les deux sont accessibles via OrcaRouter avec le même format d'API.
OrcaRouter donne accès à de nombreux modèles. Parmi les alternatives, on trouve des modèles OpenAI plus volumineux (GPT‑5 Pro) pour une meilleure précision, des modèles plus petits (GPT‑4 Mini) pour du texte simple, ou des modèles tiers comme Claude d’Anthropic ou Llama de Meta. Chacun dispose de fenêtres de contexte, de tarifs et de prise en charge de modalités différents. Par exemple, Claude 3 Haiku peut offrir une rapidité accrue mais ne prend pas en charge l’entrée d’images. Vous pouvez comparer les coûts par token sur la page de tarification d’OrcaRouter. GPT-5 Nano se distingue particulièrement par sa combinaison de 400K de contexte, d’entrée multimodale et d’un faible coût d’entrée—ce qui le rend unique parmi les modèles légers.
GPT-5 Nano, comme les autres modèles OpenAI accessibles via API, n’utilise pas vos données par défaut (la politique d’utilisation des données de l’API OpenAI s’applique). OrcaRouter agit comme un proxy et ne stocke pas vos prompts ou réponses au-delà de ce qui est nécessaire pour la facturation et la journalisation des requêtes (sous réserve de leur politique de confidentialité). Les deux fournisseurs s’engagent à ne pas utiliser les données de l’API pour l’amélioration des modèles, sauf si vous y consentez. Pour les données sensibles, envisagez d’utiliser un modèle local ou dédié. La gestion des données de GPT‑5 Nano est identique à celle des autres modèles d’API OpenAI — aucune conservation supplémentaire de données par OrcaRouter.
Compatible OpenAI — gardez votre SDK actuel
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-nano-2025-08-07",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| Entrée / 1M tokens | $0.050 |
| Sortie / 1M tokens | $0.400 |
| Lecture cache / 1M | $0.0050 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/openai/gpt-5-nano-2025-08-07Ouvrir @misc{orcarouter_gpt_5_nano_2025_08_07,
title = {openai/gpt-5-nano-2025-08-07 API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5-nano-2025-08-07}
}openai. (n.d.). openai/gpt-5-nano-2025-08-07 API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5-nano-2025-08-07