GPT-5.4 est le dernier modèle de pointe d'OpenAI, unifiant les lignes Codex et GPT en un seul système. Il dispose d'une fenêtre de contexte de plus d'1M de tokens (922K en entrée, 128K en sortie) avec prise en charge de...
GPT-5.4 est un modèle de langage de grande taille d'OpenAI avec une fenêtre de contexte de 1 050 000 tokens et une sortie maximale de 128 000 tokens. Il traite les entrées de texte, d'image et de…
GPT-5.4 excelle dans la compréhension linguistique, la génération, le raisonnement et l’interprétation multimodale. Sa grande fenêtre contextuelle prend en charge des tâches telles que le suivi d’instructions en plusieurs étapes, la création de contenus longs et les dialogues complexes. Le modèle est particulièrement performant en raisonnement scientifique de niveau avancé, obtenant un score de 92,0 sur GPQA Diamond. Il peut également gérer l’extraction de données à partir de fichiers et la description d’images. Lors du choix d’un modèle, réfléchissez si votre cas d’usage nécessite vraiment tout le contexte ou si un modèle moins coûteux suffit.
Avec un contexte de 1,050,000 tokens, GPT-5.4 peut ingérer des livres entiers, de longs rapports ou des milliers de lignes de code dans une seule requête. Cela élimine le besoin de diviser les documents et permet au modèle de considérer toutes les informations simultanément. La sortie est limitée à 128,000 tokens, donc les résumés ou extractions peuvent être aussi longs. Pour les tâches qui n'ont pas besoin d'un contexte long complet, des modèles plus petits peuvent être plus rentables.
Oui, GPT-5.4 prend en charge les entrées d'images et de fichiers en plus du texte. Les images peuvent être fournies dans des formats standard (JPEG, PNG, etc.) et le modèle peut répondre à des questions sur le contenu visuel. Les fichiers (par exemple, PDF, CSV) sont téléchargés et traités dans le cadre du contexte. Cette capacité multimodale est utile pour analyser des diagrammes, extraire des données de tableaux ou recouper du texte avec des graphiques. Toutes les modalités d'entrée comptent dans la limite des jetons de contexte.
Si votre tâche ne nécessite pas le contexte complet de 1 050 000 tokens ou une entrée multimodale, envisagez d'utiliser des modèles avec des fenêtres de contexte plus petites ou des modalités limitées pour réduire les coûts. Par exemple, les requêtes simples à un seul tour, les textes courts ou les tâches qui ne bénéficient pas d'un raisonnement approfondi peuvent être traitées par des modèles comme GPT-4o mini ou GPT-4.1 nano. Évaluez la longueur et la complexité de votre prompt avant de sélectionner GPT-5.4 pour éviter de payer pour une capacité inutilisée.
GPT-5.4 a obtenu un score de 92,0 sur GPQA Diamond, une référence de 198 questions à choix multiples couvrant la physique, la chimie et la biologie de niveau supérieur. Ce score indique une grande précision dans le raisonnement scientifique de niveau expert. Aucun autre score de référence n'est disponible pour ce modèle dans les faits fournis. Les utilisateurs devraient évaluer les performances sur leurs propres tâches spécifiques au domaine.
Un score de 92.0 signifie que GPT-5.4 a correctement répondu à 92 % des questions GPQA Diamond. GPQA Diamond est conçu pour tester les connaissances et le raisonnement qu'un expert humain posséderait après des années d'études supérieures. Il comprend des problèmes en plusieurs étapes, l'interprétation de données scientifiques et l'application de concepts nuancés. Ce benchmark est souvent utilisé pour évaluer la capacité d'un modèle à traiter des requêtes complexes et spécifiques à un domaine.
Points forts : très long contexte (1 050 000 tokens), haut raisonnement scientifique (92.0 GPQA Diamond), entrée multimodale (texte, image, fichier). Limitations : aucun prix fourni ; la latence augmente avec la longueur du contexte ; des contextes extrêmement longs peuvent atteindre les limites de tokens ou dégrader la qualité des réponses sur les détails périphériques. Le modèle ne prend pas en charge le streaming en temps réel ni l’entrée vocale. Pour les tâches qui ne sont pas principalement scientifiques, d’autres modèles peuvent être aussi performants à moindre coût.
La vitesse d'inférence n'est pas spécifiée dans les faits fournis. Généralement, les modèles avec un nombre de paramètres plus élevé et des fenêtres de contexte plus longues prennent plus de temps pour traiter chaque jeton. Les utilisateurs doivent s'attendre à une latence plus élevée par rapport à des modèles plus petits comme GPT-4o mini. OrcaRouter peut avoir sa propre couche de mise en cache ou d'optimisation, mais le débit réel dépend de la taille des requêtes et de la charge concurrente. Il est recommandé de tester avec des prompts représentatifs.
Les détails de tarification pour GPT-5.4 sur OrcaRouter ne sont pas fournis dans les faits. Généralement, la tarification des modèles OpenAI est basée sur des taux par token en entrée et en sortie, et OrcaRouter peut appliquer sa propre marge ou proposer des forfaits groupés. Pour obtenir les tarifs actuels, consultez la page de tarification d'OrcaRouter ou contactez leur équipe commerciale. Les coûts augmentent avec la longueur du contexte car chaque token est facturé.
L'utilisation de la fenêtre de contexte complète de 1 050 000 jetons entraîne des coûts proportionnels au nombre total de jetons d'entrée. Si votre tâche n'utilise qu'une fraction de cette capacité, vous êtes quand même facturé pour l'intégralité du prompt. Par conséquent, il est économique de garder les prompts aussi courts que possible tout en répondant aux exigences. Les jetons de sortie jusqu'à 128 000 sont également facturés. Pour des sorties très longues, envisagez de les tronquer ou d'utiliser plusieurs itérations.
OrcaRouter peut offrir des mécanismes de mise en cache pour éviter de retraiter des préfixes de prompt identiques, mais cela n'est pas confirmé dans les faits fournis. Si activé, la mise en cache des prompts peut réduire la latence et le coût pour les requêtes répétées. Consultez la documentation d'OrcaRouter pour les politiques de cache. Sans mise en cache, chaque prompt unique est facturé intégralement.
Sans tarification exacte, une comparaison directe n'est pas possible. Généralement, les modèles avec des fenêtres de contexte plus larges et des scores de référence plus élevés imposent des prix plus élevés par jeton. GPT-5.4 est probablement plus cher par jeton que des modèles plus petits comme GPT-4o ou GPT-4.1. Les utilisateurs doivent évaluer le coût total en fonction des longueurs moyennes attendues des prompts et des sorties, et considérer si les gains de performance justifient la différence de prix.
Utilisez l'URL de base compatible OpenAI https://api.orcarouter.ai/v1 et définissez le paramètre model sur openai/gpt-5.4. L'authentification nécessite une clé API OrcaRouter. Exemple de requête curl : curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model":"openai/gpt-5.4","messages":[{"role":"user","content":"Hello"}]}'.
L'API prend en charge les paramètres standard de chat‑completion : model (string), messages (array of role/content), max_tokens (integer up to 128,000), temperature, top_p, frequency_penalty, presence_penalty, stop, stream (boolean) et n. Pour les entrées multimodales, incluez le contenu du message sous forme d'un tableau d'objets avec type text/image_url/file. Consultez la documentation de l'API d'OrcaRouter pour le schéma exact.
Oui, car OrcaRouter fournit une API compatible avec OpenAI. Remplacez votre URL de base existante par https://api.orcarouter.ai/v1 et mettez à jour le nom du modèle en openai/gpt-5.4. Votre bibliothèque cliente OpenAI (par exemple, le package Python openai) peut être reconfigurée en modifiant base_url et api_key. Assurez-vous que votre code gère les différences possibles dans les formats de réponse d'erreur ou les limites de taux.
L'identifiant du modèle sur OrcaRouter est openai/gpt-5.4. Cette chaîne doit être passée dans le champ model du corps de la requête. Elle distingue GPT-5.4 des autres modèles disponibles via le même point de terminaison API. L'utilisation d'un mauvais identifiant entraînera une erreur. Le fournisseur est openai, mais le modèle est hébergé et routé par OrcaRouter.
GPT-5.4 offre une fenêtre de contexte beaucoup plus grande (1,050,000 contre 128,000 tokens) et un score GPQA Diamond plus élevé (92.0 contre non fourni pour GPT-4o). GPT-4o prend en charge le texte et l'image mais pas les téléchargements de fichiers, et a une sortie maximale plus faible (16,384 tokens contre 128,000). GPT-5.4 est plus performant pour les contextes longs et le raisonnement scientifique, mais probablement plus cher et plus lent. GPT-4o reste un bon choix pour les tâches plus courtes et plus simples.
Claude 3.5 Sonnet offre un contexte de 200 000 tokens ; GPT-5.4 le dépasse avec 1 050 000. Cependant, les comparaisons de référence sont limitées : GPT-5.4 obtient 92,0 sur GPQA Diamond, tandis que Claude 3.5 Sonnet obtient 78,0 (publiquement connu). Aucune comparaison directe avec Gemini 2.0 Pro ou Llama 3.1 405B n'est disponible à partir des faits fournis. GPT-5.4 est compétitif en raisonnement scientifique, mais les utilisateurs devraient tester sur leurs propres données.
GPT-5.4 fournit une fenêtre de contexte plus grande (1,050,000 contre 200,000 pour Claude) et une sortie maximale plus élevée (128,000 contre 8,192). Sur GPQA Diamond, GPT-5.4 obtient un score de 92.0 ; Claude 3.5 Sonnet obtient 78.0. Cela suggère que GPT-5.4 pourrait être plus performant dans l'analyse nuancée de documents scientifiques. Cependant, la disponibilité du modèle, le prix et l'intégration dans l'écosystème sur OrcaRouter doivent être pris en compte. Pour les documents très longs, le contexte plus large de GPT-5.4 est avantageux.
Les modèles plus petits (par exemple, GPT-4o mini, GPT-4.1 nano) ont un coût inférieur, une inférence plus rapide et des fenêtres de contexte plus petites. Le GPT-5.4 échange coût et rapidité contre une meilleure précision sur des tâches complexes et la capacité à gérer des contextes massifs. Votre décision doit être basée sur les performances requises pour des questions à enjeux élevés (comme le GPQA Diamond) et les besoins en longueur de contexte. Si votre tâche est simple, un modèle plus petit est probablement plus efficace.
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-5.4",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| Palier | Entrée / 1M tokens | Sortie / 1M tokens | Lecture cache / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| Palier sélectionné selon le nombre de tokens d'entrée de chaque requête | |||
Estimation basée sur le tarif public
Tarification par paliers — cette estimation utilise les tarifs du palier de base.
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/openai/gpt-5.4Ouvrir @misc{orcarouter_gpt_5_4,
title = {GPT-5.4 API},
author = {OpenAI},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5.4}
}OpenAI. (2026). GPT-5.4 API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5.4