OpenAI GPT-5.4-2026-03-05 : 1,05M de contexte, 128K de sortie, 92,0 GPQA Diamond. Entrée texte, image, fichier.
Il s'agit d'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 accepte des entrées de texte, d'image et de…
Grâce à son contexte de 1.05M et à son support multimodal, il excelle dans des tâches telles que l'analyse de longs rapports financiers avec des graphiques intégrés, le résumé de documents entiers de découverte juridique, l'examen de grandes bases de code pour des bugs ou des motifs, et la conduite de recherches académiques sur de longs articles. Il peut combiner plusieurs images (par exemple, des diapositives d'une présentation) avec un contexte textuel et produire un résumé unifié. La sortie max de 128K le rend également adapté à la génération de rapports complets, de projets logiciels complets ou de contenu narratif étendu qui serait tronqué par des modèles ayant des limites de sortie plus petites. Les cas d'utilisation nécessitant une grande capacité de raisonnement, tels que les problèmes mathématiques ou logiques en plusieurs étapes, bénéficient également des scores de référence.
Si votre tâche implique des entrées et des sorties courtes (p. ex., conversations de chatbot de moins de 4K tokens, classification simple ou traductions brèves), un modèle plus petit comme GPT-4o mini ou GPT-4o d'OpenAI peut être plus rentable et plus rapide. De plus, si la tâche n'exige pas la profondeur de raisonnement mesurée par GPQA Diamond, un modèle moins cher peut obtenir des résultats acceptables à moindre coût. Étant donné que le prix de ce modèle sur OrcaRouter n'est pas disponible publiquement, il est probable que le coût par token soit plus élevé que pour des modèles plus petits. Évaluez si la taille étendue du contexte et de la sortie est nécessaire ; dans le cas contraire, un modèle plus léger réduira à la fois le coût monétaire et la latence.
Le modèle gère nativement les entrées de texte, d'image et de fichier dans la même fenêtre de contexte. Cela signifie que vous pouvez envoyer une requête contenant une invite textuelle, quelques images (par exemple, des photographies, des diagrammes) et des fichiers joints (par exemple, des PDF, des feuilles de calcul) dans le tableau de messages. Le modèle raisonnera sur toutes les modalités. Par exemple, vous pouvez lui demander de comparer un diagramme dans une image avec des données dans un fichier CSV et de produire une analyse textuelle. Notez que le traitement des images et des fichiers consomme des jetons de la fenêtre de contexte ; une grande image peut utiliser des milliers de jetons, planifiez donc vos requêtes en conséquence pour rester dans la limite de 1 050 000 jetons.
La modalité d'entrée fichier couvre les formats de documents courants tels que PDF, Word, Excel, PowerPoint, les fichiers texte, et éventuellement des formats d'image au-delà des images web typiques. Bien que les types MIME exacts des fichiers ne soient pas spécifiés dans les faits fournis, OrcaRouter prend probablement en charge la même gamme que les points de terminaison de fichiers d'OpenAI. Pour de meilleurs résultats, utilisez des fichiers textuels (PDF, TXT, code) car les images sont traitées séparément via la modalité image. Le modèle peut extraire le texte des fichiers et l'incorporer dans son raisonnement. Si vous avez besoin d'analyser une image intégrée dans un fichier (par exemple, un PDF avec des images), il est préférable d'extraire l'image séparément et de l'envoyer via l'entrée d'image.
GPQA Diamond est un benchmark composé de questions à choix multiples de niveau graduate en biologie, physique et chimie. Un score de 92,0 indique que le modèle a répondu correctement à 92 % de ces questions. C’est un résultat solide, suggérant que le modèle possède un raisonnement approfondi et des connaissances spécialisées dans le domaine. Cependant, les scores des benchmarks ne garantissent pas une performance parfaite dans tous les scénarios réels. Le modèle peut encore produire des erreurs sur des tâches nuancées ou des sujets en dehors de sa distribution d’entraînement. Ce score est une métrique comparative : il montre que ce modèle surpasse de nombreux modèles antérieurs sur ce test spécifique, mais pour des applications critiques dans un domaine spécifique, validez toujours les résultats.
Les points forts incluent la capacité de traiter de très longs contextes, de gérer plusieurs modalités et de produire des sorties longues. Le score élevé au GPQA Diamond indique un raisonnement solide. Limites : comme pour tous les LLM, il peut générer des informations plausibles mais incorrectes (hallucinations). La grande fenêtre de contexte signifie que si un utilisateur fournit des informations contradictoires ou non pertinentes dans le contexte, le modèle peut avoir du mal à se concentrer sur les parties importantes. De plus, en raison de la taille du modèle, la latence d'inférence peut être plus élevée que celle de modèles plus petits. La sortie maximale du modèle de 128 000 jetons est généreuse mais reste finie ; les générations extrêmement longues peuvent être tronquées si la sortie dépasse cette limite. Aucune donnée de latence ou de vitesse n'est fournie publiquement.
Le seul benchmark spécifique fourni est GPQA Diamond avec 92,0. À titre de comparaison, les modèles OpenAI antérieurs comme GPT-4 (août 2023) obtenaient environ 38,0 sur GPQA (le seuil plus élevé de Diamond). GPT-4o (mai 2024) a obtenu environ 75-80 sur GPQA Diamond (connu publiquement). Par conséquent, ce modèle montre une amélioration. Pour d'autres benchmarks comme MMLU, HumanEval, etc., aucune donnée n'est fournie ; les utilisateurs doivent supposer des performances solides typiques attendues d'un modèle phare d'OpenAI. Le différenciateur clé est la taille du contexte et de la sortie : GPT-4o a un contexte de 128K et une sortie de 16K, tandis que ce modèle a un contexte de 1,05M et une sortie de 128K. Ainsi, pour des documents très longs, ce modèle est le meilleur choix.
Aucune évaluation multimodale (par exemple, sur la description d’images ou la réponse à des questions visuelles) n’est incluse dans les faits fournis. Cependant, étant donné que le modèle prend en charge les entrées d’images et de fichiers, il est raisonnable de supposer qu’il obtient de bons résultats sur les tâches standard de vision-langage, probablement comparables ou supérieurs à ceux des capacités visuelles de GPT-4o. Les utilisateurs intéressés par une précision multimodale spécifique devraient tester le modèle sur leurs propres ensembles de données. Le score GPQA Diamond (uniquement textuel) donne une référence pour le raisonnement, mais ne couvre pas le raisonnement visuel. Pour les tâches nécessitant la lecture de texte à partir d’images, le modèle utilise la reconnaissance optique de caractères en interne, mais aucun chiffre distinct de précision OCR n’est fourni.
Le prix de openai/gpt-5.4-2026-03-05 sur OrcaRouter n'est pas divulgué publiquement dans les faits disponibles. En général, les modèles avec de très grandes fenêtres de contexte et des limites de sortie élevées ont un prix par jeton plus élevé en raison des ressources de calcul nécessaires. Pour les prix actuels, vous devez vous référer au tableau de bord OrcaRouter ou contacter leur support. Lors de la budgétisation, considérez que la sortie maximale élevée (128K tokens) peut entraîner des factures plus élevées par requête. Certaines plateformes offrent des réductions de cache pour les invites répétées; consultez la documentation d'OrcaRouter pour plus de détails. Pour les charges de travail sensibles aux coûts, évaluez si des modèles plus petits peuvent obtenir des résultats acceptables pour une partie du pipeline.
OrcaRouter peut offrir des mécanismes de mise en cache où les invites qui sont répétées à travers les demandes sont stockées temporairement pour réduire le coût. C'est courant chez de nombreux fournisseurs d'API. Pour un modèle avec un contexte de 1.05M, la mise en cache peut être particulièrement bénéfique si vous utilisez souvent la même invite système ou un grand document statique. Cependant, les politiques spécifiques de mise en cache pour ce modèle ne sont pas détaillées dans les faits fournis. Vous pouvez probablement activer la mise en cache en définissant des en-têtes appropriés ou en utilisant les fonctionnalités intégrées d'OrcaRouter. Sans mise en cache, chaque demande traite le contexte complet, donc les coûts augmentent linéairement avec la longueur de l'entrée. Pour optimiser, pré-traitez les entrées pour supprimer le contenu non pertinent avant de les envoyer.
Aucun chiffre de tarification n'est fourni pour aucun modèle dans les faits. En règle générale, les modèles avec des fenêtres de contexte plus grandes et des dates de sortie plus récentes ont tendance à être plus chers que les modèles antérieurs. GPT-4o, qui a un contexte de 128K et une sortie de 16K, serait probablement moins cher que ce modèle. Pour les requêtes courtes et fréquentes, le coût inférieur de GPT-4o peut être plus économique. Pour les tâches sur de longs documents, la fenêtre de contexte de GPT-4o peut être insuffisante, forçant un découpage et plusieurs appels ; dans ce cas, le coût par jeton plus élevé de ce modèle peut en réalité être inférieur globalement car il évite un traitement supplémentaire. Les utilisateurs doivent effectuer leurs propres estimations de coûts en fonction de leurs habitudes d'utilisation réelles.
Paramétrez l’URL de base sur `https://api.orcarouter.ai/v1` et utilisez l’ID de modèle `"openai/gpt-5.4-2026-03-05"` dans le corps de la requête. L’API est entièrement compatible avec le client Python OpenAI, curl, ou tout client HTTP prenant en charge le point de terminaison chat completions. Exemple avec la bibliothèque 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 ) ``` Tous les paramètres standard sont pris en charge. N’oubliez pas de remplacer `YOUR_KEY` par une clé API OrcaRouter.
Les paramètres minimaux requis sont "model" (chaîne de caractères, doit être "openai/gpt-5.4-2026-03-05") et "messages" (tableau d'objets message). Chaque objet message nécessite un "role" (system, user ou assistant) et un "content". Pour une entrée multimodale, le contenu peut être un tableau de parties de contenu (text, image_url ou file). Le modèle prend également en charge un paramètre "max_tokens" (nombre entier allant jusqu'à 128 000). S'il est omis, le modèle peut générer du texte jusqu'à la condition d'arrêt. D'autres paramètres optionnels incluent temperature, top_p, frequency_penalty, presence_penalty, stop et stream. Tous suivent la spécification OpenAI Chat Completions.
La migration implique de modifier l'URL de base et éventuellement de mettre à jour la clé API. Si votre code utilise actuellement le client Python OpenAI avec l'URL de base par défaut (api.openai.com), il vous suffit d'instancier le client avec base_url="https://api.orcarouter.ai/v1" et votre clé API OrcaRouter. L'ID du modèle passe du nom de modèle OpenAI (par exemple, "gpt-5.4-2026-03-05") à "openai/gpt-5.4-2026-03-05" (notez le préfixe du fournisseur). Tous les autres paramètres restent les mêmes. Testez d'abord avec une requête simple. Ce modèle peut avoir un comportement légèrement différent du même modèle lorsqu'il est accédé directement via OpenAI, mais il devrait être fonctionnellement identique pour la plupart des cas d'utilisation.
GPT-4o (plus précisément la version gpt-4o-2024-08-06) dispose d'une fenêtre de contexte de 128 000 tokens et d'une sortie maximale de 16 384 tokens. En revanche, openai/gpt-5.4-2026-03-05 offre une fenêtre de contexte de 1 050 000 tokens (soit environ 8,2 fois plus grande) et une sortie maximale de 128 000 tokens (environ 7,8 fois plus grande). Cela rend le modèle plus récent bien mieux adapté aux tâches impliquant des livres entiers, des bases de code massives ou de longs historiques de conversation, ainsi qu'à la génération de sorties étendues comme des rapports complets. Cependant, GPT-4o peut offrir une inférence plus rapide et un coût moins élevé. En termes de benchmarks, le score GPQA Diamond de GPT-4o est inférieur (environ 80) contre 92,0, ce qui indique un meilleur raisonnement sur des questions de niveau graduate. Pour les tâches qui tiennent dans le contexte de GPT-4o, ce dernier reste une alternative solide.
GPT-4 Turbo (gpt-4-turbo-2024-04-09) a une fenêtre de contexte de 128 000 tokens et une sortie maximale de 4 096 tokens. Son score GPQA Diamond est nettement inférieur (environ 38). Par conséquent, le modèle 5.4 le surpasse à la fois en contexte, en sortie et en raisonnement. Étant donné que GPT-4 Turbo est plus ancien, il peut encore être utilisé pour des tâches courtes à faible coût, mais pour toute charge de travail à long contexte ou à haut niveau de raisonnement, ce modèle est supérieur. Le modèle plus récent prend également en charge nativement les entrées d'images et de fichiers, tandis que les capacités de vision de GPT-4 Turbo ont été introduites plus tard et ne sont pas aussi intégrées.
OrcaRouter propose probablement d'autres modèles OpenAI (par exemple, openai/gpt-4o, openai/gpt-4-turbo) ainsi que des modèles d'autres fournisseurs. Si vous avez besoin d'une fenêtre de contexte supérieure à 128 000 jetons mais inférieure à 1,05 million, vous pouvez envisager des modèles comme Claude 3.5 Sonnet d'Anthropic (contexte de 200 000) ou Gemini 1.5 Pro de Google (contexte de 1 million). Le choix dépend de vos besoins spécifiques en matière de raisonnement, de support multimodal et de longueur de sortie. Ce modèle se distingue par sa combinaison d'un très grand contexte et d'un score de raisonnement élevé. Pour de meilleurs résultats, testez votre cas d'utilisation spécifique avec un exemple de requête via l'API d'OrcaRouter afin de comparer la qualité des sorties entre les modèles.
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-5.4-2026-03-05",
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-5.4-2026-03-05Ouvrir @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