GPT-5.5 est le modèle de pointe d’OpenAI conçu pour des charges de travail professionnelles complexes, s’appuyant sur GPT-5.4 avec un raisonnement plus fort, une fiabilité accrue et une meilleure efficacité des tokens sur les tâches difficiles. Il dispose d’un contexte de 1M+ tokens...
GPT-5.5 est un modèle linguistique d'OpenAI conçu pour des sorties étendues et des entrées multimodales. Il accepte des fichiers, des images et du texte, et peut générer jusqu'à 128 000 tokens en une…
Lorsqu'on lui fournit un fichier, GPT-5.5 peut lire et analyser son contenu. Cela comprend l'extraction d'informations à partir de documents, le résumé de leur contenu, la réponse à des questions sur le matériel, ou la transformation des données dans un format différent. Par exemple, vous pourriez télécharger un PDF de plusieurs pages et demander un résumé structuré ou des points de données spécifiques. Le modèle traite le fichier dans le cadre de son entrée, en le combinant avec tout texte ou image accompagnateur. Cette capacité est utile pour automatiser la révision de documents, l'extraction de données et la génération de rapports à partir de fichiers.
GPT-5.5 peut interpréter les images fournies en entrée. Cela inclut la reconnaissance d'objets, la lecture de texte dans les images, la description de scènes, l'analyse de graphiques et la réponse à des questions sur le contenu visuel. Par exemple, vous pouvez fournir l'image d'un graphique et demander une interprétation écrite des tendances, ou une photo d'un tableau blanc et demander les éléments d'action. Le modèle traite l'image en parallèle avec les entrées textuelles et les fichiers, permettant des tâches de raisonnement multimodal qui combinent informations visuelles et textuelles.
Bien que GPT-5.5 offre une sortie volumineuse et une entrée multimodale, il peut être excessif pour des tâches simples. Si votre cas d'utilisation ne nécessite que la génération de texte court (par exemple, réponses par e-mail, courts extraits de code, classification) sans besoin d'entrée de fichier ou d'image, un modèle plus petit et moins cher comme le GPT-4o mini d'OpenAI (si disponible) pourrait être plus économique. De même, si vous n'avez pas besoin d'une sortie de 128k tokens, des modèles avec des limites de sortie plus petites peuvent suffire. Évaluez vos tailles d'entrée-sortie typiques et vos besoins en modalités avant de choisir GPT-5.5 pour éviter de payer pour une capacité que vous n'utiliserez pas.
Le score de 93,9 du modèle sur τ²-Bench suggère une performance solide dans les tâches agentiques impliquant l'utilisation d'outils, le suivi d'instructions en plusieurs étapes et le maintien de la cohérence sur plusieurs actions. Cela inclut des scénarios comme la navigation web, les appels d'API, les requêtes de bases de données ou l'exécution de code en boucle. La grande capacité de sortie permet également au modèle de produire de longues chaînes d'appels d'outils ou d'étapes de raisonnement sans troncature. Cependant, les scores de référence reflètent les performances sur des ensembles de tests spécifiques ; les performances agentiques réelles peuvent varier en fonction de la complexité des tâches et de la qualité des outils disponibles.
τ²-Bench est un benchmark conçu pour évaluer la capacité d'un agent à effectuer des tâches complexes en plusieurs étapes à l'aide d'outils. Il teste la capacité d'un modèle à suivre des instructions, planifier des actions, utiliser des outils externes (comme des moteurs de recherche, des interpréteurs de code ou des API) et corriger des erreurs sur plusieurs étapes. Le score de 93.9 atteint par GPT-5.5 le place à un niveau de haute performance sur ce benchmark, indiquant que le modèle peut exécuter de manière fiable des workflows agentiques avec un minimum d'échecs. Ceci n'est qu'un point de données ; d'autres benchmarks peuvent montrer différentes forces ou faiblesses.
Le score de 93.9 au τ²-Bench suggère que GPT-5.5 est particulièrement performant pour les tâches nécessitant un raisonnement soutenu et l'utilisation d'outils sur plusieurs tours. Le benchmark récompense les modèles qui peuvent interpréter correctement les instructions, sélectionner les bons outils et se remettre des erreurs. Par conséquent, GPT-5.5 est probablement bien adapté à la création d'agents autonomes qui doivent accomplir des tâches avec une intervention humaine limitée. De plus, la grande marge de sortie du modèle peut aider dans les scénarios où les étapes de raisonnement intermédiaires sont longues. Cependant, les benchmarks sont étroits ; d'autres capacités comme l'écriture créative ou le bon sens peuvent ne pas être directement mesurées par τ²-Bench.
Les données fournies n'incluent qu'un seul score de benchmark (τ²-Bench) et ne précisent pas les performances sur d'autres benchmarks courants comme MMLU, HumanEval ou GSM8K. Par conséquent, les capacités de connaissance générale, de raisonnement mathématique et de génération de code ne sont pas quantifiées ici. La longueur du contexte d'entrée du modèle n'est pas non plus indiquée, vous devrez donc peut-être tester pour votre cas d'utilisation spécifique. De plus, le modèle peut gérer des images et des fichiers, mais aucun chiffre de latence ou taux d'erreur n'est donné. Les utilisateurs doivent évaluer GPT-5.5 sur leurs propres tâches pour comprendre ses limitations pratiques.
Les données fournies n'incluent pas les chiffres de latence ou de vitesse pour GPT-5.5. En tant que grand modèle capable de générer jusqu'à 128k tokens, les temps de réponse dépendront de plusieurs facteurs : la longueur de l'entrée et de la sortie, la complexité de la requête, et la charge actuelle du serveur sur OrcaRouter. Pour des prompts courts et de petites sorties, la latence peut être raisonnable ; pour des sorties de longueur maximale, elle pourrait être nettement plus longue. Pour estimer la vitesse, vous pouvez évaluer le modèle à l'aide de l'API d'OrcaRouter avec des charges typiques pour votre cas d'utilisation. Aucune garantie de qualité de service n'est mentionnée dans les informations disponibles.
Les détails de tarification pour GPT-5.5 ne sont pas inclus dans les données fournies. Sur OrcaRouter, les frais sont généralement basés sur le nombre de jetons d’entrée et de sortie, avec des tarifs distincts pour le traitement du texte, des images et des fichiers. Pour une tarification exacte, consultez la page de tarification d’OrcaRouter ou contactez leur support. Notez qu’un nombre élevé de jetons de sortie (jusqu’à 128k) peut générer des coûts importants pour les générations longues. Il est donc conseillé de définir un paramètre `max_tokens` approprié dans vos appels API pour maîtriser les coûts.
Sans tarification spécifique, des compromis généraux s'appliquent. Les modèles avec une plus grande capacité de sortie et une entrée multimodale ont tendance à coûter plus cher par jeton que les alternatives plus simples. Pour les tâches qui ne nécessitent pas la sortie complète de 128k ou les entrées multimodales, un modèle plus petit peut être plus économique. De plus, le traitement d'images et de fichiers entraîne des coûts supplémentaires, souvent calculés en fonction de la taille ou du nombre d'images. Si votre pipeline utilise principalement du texte, demandez-vous si les capacités de fichiers/images justifient le prix plus élevé. La mise en cache ou le traitement par lots peuvent réduire les coûts ; renseignez-vous auprès d'OrcaRouter sur les remises éventuelles pour le contenu répété.
Les informations fournies ne spécifient aucun mécanisme de mise en cache pour GPT-5.5 sur OrcaRouter. La mise en cache peut réduire les coûts en réutilisant les résultats précédemment calculés pour des requêtes identiques ou similaires. Certains fournisseurs d'API proposent une mise en cache automatique pour les invites fréquemment utilisées. Pour déterminer si la mise en cache est disponible, consultez la documentation d'OrcaRouter ou contactez leur support. Si la mise en cache n'est pas disponible, vous pouvez implémenter votre propre cache au niveau de l'application pour éviter les appels redondants, en particulier pour les requêtes courantes ou les entrées statiques.
Pour estimer le coût, vous avez besoin des tarifs par token pour l'entrée et la sortie, ainsi que des éventuels frais supplémentaires pour les images ou fichiers. Comme les tarifs ne sont pas fournis, vous pouvez commencer par effectuer quelques appels de test avec des charges utiles représentatives et vérifier le montant facturé dans le tableau de bord d'utilisation d'OrcaRouter. Pour les appels uniquement textuels, multipliez le nombre de tokens d'entrée et le nombre de tokens de sortie par les tarifs respectifs. Pour les appels multimodaux, comptez les images et la taille des fichiers selon les règles de tarification d'OrcaRouter. Gardez à l'esprit que la sortie maximale de 128k peut entraîner une utilisation élevée des tokens ; définir une limite `max_tokens` inférieure peut éviter des factures imprévues.
Vous pouvez appeler GPT-5.5 via l'API compatible OpenAI d'OrcaRouter. L'URL de base est https://api.orcarouter.ai/v1. Utilisez l'ID de modèle "openai/gpt-5.5" dans vos requêtes. Toute bibliothèque client OpenAI standard (Python, JavaScript, etc.) peut être utilisée en modifiant simplement l'URL de base et la clé API. Exemple avec la bibliothèque openai de Python : définissez `openai.api_base = "https://api.orcarouter.ai/v1"` et `openai.api_key = "votre-clé"`. Ensuite, appelez `openai.ChatCompletion.create(model="openai/gpt-5.5", messages=[...])`.
Parce qu'OrcaRouter expose un endpoint compatible avec OpenAI, vous pouvez utiliser la plupart des paramètres standards de l'API OpenAI Chat Completion. Ceux-ci incluent `temperature`, `max_tokens`, `top_p`, `frequency_penalty`, `presence_penalty`, `stop`, et `n`. Pour les entrées multimodales, vous pouvez inclure du contenu image ou fichier dans le tableau messages selon le format de l'API OpenAI vision (en utilisant `content` avec le type `image_url` ou `file`). Le paramètre `max_tokens` contrôle la longueur de la sortie jusqu'à 128,000. Notez que définir `max_tokens` trop élevé peut augmenter la latence et le coût.
La migration est simple grâce à la compatibilité des API. Remplacez votre URL de base OpenAI par celle d'OrcaRouter (https://api.orcarouter.ai/v1) et mettez à jour votre clé API. Changez le nom du modèle de `gpt-5.5` (ou celui que vous utilisiez sur OpenAI) en `openai/gpt-5.5`. La plupart des modifications de code se limitent à la configuration. Si vous utilisiez des fonctionnalités spécifiques à OpenAI non prises en charge par OrcaRouter (par exemple, certaines variantes de streaming ou d'appel de fonction), testez-les pour vous assurer de leur compatibilité. Le même format de messages, y compris le contenu multimodal, fonctionne comme prévu.
Le streaming est pris en charge via l'API compatible OpenAI d'OrcaRouter. Définissez `stream=True` dans votre requête pour recevoir les tokens de manière incrémentielle. Cela peut améliorer la latence perçue pour les sorties longues et vous permettre de traiter le texte au fur et à mesure de son arrivée. Pour les sorties volumineuses (jusqu'à 128k tokens), le streaming peut être crucial pour éviter les timeouts. Notez que le streaming peut affecter le calcul des coûts de la même manière que le non-streaming (vous payez pour tous les tokens générés). Assurez-vous que votre client peut gérer les réponses en streaming, en particulier pour les entrées multimodales où le premier événement peut être retardé pendant que le modèle traite les images.
Comparé aux modèles précédents comme GPT-4, GPT-4 Turbo ou GPT-4o, le GPT-5.5 offre une sortie maximale plus grande (128k contre typiquement 4k-32k sur les variantes plus anciennes) et des capacités d’entrée multimodales (fichier, image, texte). Le score τ²-Bench de 93,9 suggère une performance agentique améliorée. Cependant, les différences exactes d’architecture et de données d’entraînement ne sont pas publiques. Les modèles plus anciens peuvent être plus rapides ou moins chers pour des tâches plus simples. Pour des tâches de texte pur qui n’ont pas besoin d’une sortie volumineuse ou d’une entrée multimodale, un modèle plus petit pourrait être plus efficace.
La comparaison directe est limitée sans données de référence sur les mêmes tâches. De nombreux concurrents (par exemple, Anthropic Claude, Google Gemini) prennent également en charge les entrées multimodales et disposent de grandes fenêtres de contexte. Le score τ²-Bench de 93,9 pour GPT-5.5 est un indicateur de performance agentique ; d'autres modèles peuvent avoir des scores similaires ou différents. Le maximum de sortie de 128k de GPT-5.5 est relativement élevé. Lors du choix entre les fournisseurs, tenez compte de facteurs tels que la tarification sur OrcaRouter, la stabilité de l'API, le support de modalités spécifiques (formats de fichiers) et les exigences de latence de votre application.
Les modèles open-source (par exemple, Llama 3, Mistral) sont souvent moins chers et offrent un contrôle total sur le déploiement, mais peuvent manquer du même niveau d'intégration multimodale ou de performance agentique. GPT-5.5, accessible via OrcaRouter, est un modèle commercial fermé avec une tarification par API. Sa capacité de sortie de 128k et l'entrée d'images/fichiers sont des fonctionnalités que les modèles open-source pourraient ne pas égaler sans infrastructure supplémentaire. Pour les données sensibles nécessitant un déploiement local, l'open-source pourrait être préférable. Pour la commodité et des capacités étendues prêtes à l'emploi, GPT-5.5 sur OrcaRouter est une option solide.
Compatible OpenAI — gardez votre SDK actuel
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="openai/gpt-5.5",
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 | $5.00 | $30.00 | $0.500 |
| ≤ ∞ | $10.00 | $45.00 | $1.00 |
| 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.
Ce dont parlent les développeurs cette semaine
GET /api/public/models/openai/gpt-5.5Ouvrir @misc{orcarouter_gpt_5_5,
title = {GPT-5.5 API},
author = {OpenAI},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5.5}
}OpenAI. (2026). GPT-5.5 API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5.5