OpenAI GPT-5 Nano: 400K konteks, 83.7 AA Math, input teks/gambar/file, $0.05/M token input melalui OrcaRouter.
OpenAI GPT-5 Nano (rilis 2025-08-07) adalah anggota yang lebih kecil dan dioptimalkan dari segi biaya dari keluarga GPT-5. Ia menawarkan jendela konteks sebesar 400.000 token—cukup untuk memproses…
GPT-5 Nano menerima input teks, gambar, dan file, sehingga memungkinkannya untuk menalar dalam berbagai format. Konteks sepanjang 400.000 token dapat menampung ratusan halaman teks beserta gambar yang disematkan atau lampiran dokumen. Model ini dapat menghasilkan hingga 128.000 token dalam satu respons, cocok untuk keluaran analitis yang panjang, pembuatan kode, atau pembuktian matematis multi-langkah. Skor AA Math-nya sebesar 83,7 menunjukkan kemampuan aritmetika dan penalaran logis yang kuat. Kasus penggunaan umum meliputi peringkasan dokumen panjang, anotasi gambar-ke-teks, ekstraksi data berbasis file, dan pemecahan masalah pendidikan yang memerlukan pemahaman grafik dan konteks tekstual.
Skenario penggunaan terbaik memanfaatkan konteks besar model dan input multi-modal tanpa menuntut performa tolok ukur maksimum. Contoh: memproses kontrak hukum sepanjang 300 halaman beserta lampiran (gambar tanda tangan, tabel) untuk mengekstrak kewajiban. Lainnya: menganalisis makalah penelitian panjang dengan gambar, lalu menulis kritik sepanjang 10.000 kata. Dalam pendidikan, GPT-5 Nano dapat mengerjakan soal matematika kompleks langkah demi langkah, menggunakan gambar persamaan tulisan tangan. Untuk jalur data, ia dapat menyerap PDF dan gambar, menghasilkan data terstruktur. Tugas-tugas ini mendapat manfaat dari biaya input rendah ($0.05/M token) dan kemampuan menangani file secara langsung.
Jika aplikasi Anda tidak pernah memerlukan lebih dari, katakanlah, 8,000 token konteks dan tidak memerlukan input gambar atau file, model yang lebih kecil dan lebih murah (mis., GPT-4 Mini dengan biaya token lebih rendah) akan lebih ekonomis. Demikian pula, jika output Anda selalu sangat pendek (mis., klasifikasi satu kata), membayar $0.40 per 1M token output mungkin boros—pertimbangkan model yang dioptimalkan untuk klasifikasi dengan biaya output yang lebih rendah. GPT-5 Nano paling hemat biaya ketika Anda benar-benar membutuhkan jendela konteks 400K atau kemampuan multi‑modal; jika tidak, model yang lebih sederhana akan menghemat uang.
AA Math tolok ukur mengevaluasi penalaran matematis—memecahkan soal aritmetika, aljabar, dan cerita. Skor 83,7 menunjukkan bahwa GPT-5 Nano berhasil memecahkan 83,7% tugas dalam tolok ukur ini. Ini adalah kinerja yang kuat untuk model “nano”, menyiratkan bahwa model ini dapat menangani dengan andal matematika tingkat sekolah dasar hingga awal sekolah menengah atas, termasuk soal multi-langkah. Bandingkan hal ini dengan model yang lebih besar yang mungkin mendapat skor di atas 90 tetapi memiliki biaya per token yang lebih tinggi. Skor ini menegaskan bahwa untuk penalaran matematis, GPT-5 Nano menawarkan keseimbangan biaya-akurasi yang baik untuk banyak aplikasi.
Angka latensi untuk GPT-5 Nano tidak diungkapkan secara publik oleh OpenAI per rilis 2025-08-07. Dalam praktiknya, kecepatan bergantung pada faktor-faktor seperti jumlah total token, beban permintaan, dan infrastruktur OrcaRouter. Karena Nano adalah model yang lebih kecil dibandingkan varian besar, kemungkinan besar memiliki latensi per token yang lebih rendah, namun angka pastinya tidak tersedia. OrcaRouter menangani permintaan secara asinkron dengan konfigurasi batas waktu standar. Untuk aplikasi real-time yang sensitif terhadap latensi, kami merekomendasikan benchmarking dengan payload tipikal Anda (termasuk gambar/file) melalui API OrcaRouter untuk menilai kesesuaian.
Kelebihan: Konteks panjang (400K token), input multi‑modal (teks/gambar/berkas), kapasitas output besar (128K token), penalaran matematika yang solid (83.7 AA Math), dan biaya per token rendah. Keterbatasan: Model ini bukan yang berkinerja terbaik pada tolok ukur lain (skor tidak diberikan untuk tugas coding, penalaran, atau pengetahuan). Jumlah parameter yang lebih kecil kemungkinan berarti model ini kesulitan dengan tugas yang sangat bernuansa atau kreatif. Juga, latensi tidak dijamin; tidak ada dukungan untuk input audio atau video. Kualitas output dapat menurun pada generasi yang sangat panjang mendekati batas 128K. Untuk tugas yang membutuhkan skor tercanggih, pertimbangkan model GPT‑5 yang lebih besar.
Penetapan harga didasarkan pada penggunaan token, dikenakan biaya sesuai tarif penyedia OpenAI tanpa markup. Token input: $0,05 per 1 juta token. Token output: $0,40 per 1 juta token. OrcaRouter meneruskan tarif persis ini. Untuk percakapan tipikal yang menggunakan 100.000 token input (termasuk gambar yang ditokenisasi sebagai bagian dari input) dan 10.000 token output, biayanya adalah ($0,05 × 0,1) + ($0,40 × 0,01) = $0,005 + $0,004 = $0,009 (kurang dari satu sen). Penagihan diukur pada tingkat token; Anda dapat menetapkan batas pengeluaran melalui dasbor OrcaRouter.
Keunggulan utama GPT-5 Nano adalah biaya input yang rendah relatif terhadap ukuran konteksnya. Sebagai contoh, memproses dokumen sepanjang 400K token hanya membutuhkan biaya input sebesar $0.02 (400K / 1M × $0.05). Token output lebih mahal per token, sehingga jika aplikasi Anda menghasilkan respons yang sangat panjang, biaya output dapat mendominasi. Misalnya, output sepanjang 100K token berbiaya $0.04 (100K / 1M × $0.40). Evaluasi rasio input-to-output rata-rata Anda. Jika output pendek tetapi input sangat besar, Nano sangat murah. Jika output mendekati 128K, pertimbangkan apakah ada model dengan tarif output yang lebih murah untuk tugas spesifik Anda.
OrcaRouter tidak mengungkapkan mekanisme caching spesifik untuk model individual. Praktik terbaik API standar berlaku: gunakan kembali respons di tingkat aplikasi jika sesuai, dan minimalisasi konsumsi token yang redundan. Perhatikan bahwa karena GPT-5 Nano mendukung input file dan gambar (yang di-tokenisasi), setiap file atau gambar unik dihitung sebagai token input baru. Caching konten yang di-tokenisasi tidak didukung di tingkat API. Untuk mengoptimalkan biaya, Anda dapat menyimpan bagian teks dari prompt Anda di sisi klien dan menghindari pengiriman ulang konteks panjang yang identik jika jawaban model bersifat deterministik dan Anda mengontrol temperature=0.
Gunakan endpoint API yang kompatibel dengan OpenAI: base URL https://api.orcarouter.ai/v1, model ID "openai/gpt-5-nano-2025-08-07". Contoh dengan curl: 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 }' Semua parameter standar (temperature, top_p, stop, frequency_penalty, dsb.) didukung. Input file dapat berupa base64‑encoded atau berbasis URL.
GPT-5 Nano mendukung parameter penyelesaian obrolan standar: model (wajib, gunakan ID yang tepat), messages (array objek pesan), max_tokens (hingga 128000), temperature (0–2, default 1), top_p (0–1, default 1), n (jumlah penyelesaian, default 1), stop (string atau array), frequency_penalty, presence_penalty, user (pengidentifikasi unik untuk pelacakan), dan logit_bias. Untuk input gambar dan file, gunakan objek konten dengan tipe "image_url" (untuk gambar) atau "file" (untuk lampiran file, jika didukung—periksa dokumentasi OrcaRouter). Parameter seperti tools, tool_choice, dan response_format tersedia ketika model mendukung keluaran terstruktur.
Migrasi ini mudah karena OrcaRouter mengimplementasikan skema yang kompatibel dengan OpenAI yang persis sama. Ubah hanya dua hal: 1) Atur URL dasar menjadi https://api.orcarouter.ai/v1; 2) Ganti kunci API OpenAI Anda dengan kunci API OrcaRouter (dapatkan dari dasbor OrcaRouter). Pertahankan semua badan permintaan lainnya tidak berubah, termasuk ID model yang diformat sebagai "openai/gpt-5-nano-2025-08-07". OrcaRouter menangani routing dan penagihan. Tidak ada perubahan kode selain endpoint dan kunci yang diperlukan. Uji dengan satu permintaan untuk memastikan konektivitas dan akuntansi penggunaan token.
Untuk input file, sertakan objek konten dengan type "file" dan berikan data file sebagai encoding base64 atau URL publik. OrcaRouter menerima skema yang sama dengan API OpenAI. Contoh konten pesan: [{"type": "text", "text": "Summarize this PDF"}, {"type": "file", "file": {"url": "..."}}]. Biaya token dari file tergantung pada ukuran dan kompleksitasnya (gambar dihitung sebagai token input yang proporsional dengan resolusi). Pastikan total konteks Anda (token teks+gambar+file) tetap di bawah 400.000. Untuk file yang sangat besar, pertimbangkan untuk melakukan pra‑pembagian atau menggunakan strategi yang berbeda.
GPT-5 Nano menawarkan jendela konteks yang lebih besar (400K vs. 128K tipikal GPT‑4 Mini) dan input multi‑modal (teks/gambar/berkas vs. hanya teks di banyak varian Mini). Biayanya lebih rendah: $0,05/$0,40 per M token vs. tarif GPT‑4 Mini yang seringkali lebih tinggi untuk output. Namun, GPT‑4 Mini mungkin memberikan inferensi yang lebih cepat (meskipun angka latensi tidak dipublikasikan untuk keduanya). Skor AA Math dari GPT‑5 Nano (83,7) kompetitif dengan atau melampaui performa matematika GPT‑4 Mini. Untuk tugas konteks panjang dan multi‑modal, Nano adalah pilihan yang jelas; untuk teks generik pendek, Mini mungkin masih hemat biaya.
GPT-5 Pro adalah model andalan utama OpenAI dengan skor benchmark yang lebih tinggi di semua bidang, namun juga harga token yang lebih tinggi (tarif pasti tidak disebutkan). Pro kemungkinan memiliki jendela konteks yang lebih kecil (dikabarkan 128K) tetapi penalaran, pengkodean, dan kreativitas yang lebih baik. GPT-5 Nano mengorbankan sedikit akurasi dan kemampuan demi harga yang jauh lebih rendah dan konteks yang lebih panjang. Jika prioritas Anda adalah kualitas maksimal pada tugas-tugas sulit, pilih Pro. Jika Anda perlu memproses data dalam jumlah besar secara ekonomis dan dapat menerima akurasi yang sedang, Nano lebih unggul. Keduanya dapat diakses melalui OrcaRouter dengan format API yang sama.
OrcaRouter menyediakan akses ke banyak model. Alternatifnya termasuk model OpenAI yang lebih besar (GPT‑5 Pro) untuk akurasi lebih tinggi, model yang lebih kecil (GPT‑4 Mini) untuk teks sederhana, atau model pihak ketiga seperti Claude milik Anthropic atau Llama milik Meta. Masing-masing memiliki jendela konteks, harga, dan dukungan modalitas yang berbeda. Misalnya, Claude 3 Haiku mungkin menawarkan kecepatan lebih cepat tetapi tanpa input gambar. Anda dapat membandingkan biaya per token di halaman harga OrcaRouter. GPT-5 Nano menonjol secara khusus karena kombinasi konteks 400K, input multi-modal, dan biaya input yang rendah—membuatnya unik di antara model ringan.
GPT-5 Nano, seperti model OpenAI lainnya yang diakses melalui API, tidak melatih data Anda secara default (kebijakan penggunaan data API OpenAI berlaku). OrcaRouter bertindak sebagai proksi dan tidak menyimpan prompt atau respons Anda di luar yang diperlukan untuk penagihan dan pencatatan permintaan (tergantung pada kebijakan privasi mereka). Kedua penyedia berkomitmen untuk tidak menggunakan data API untuk peningkatan model kecuali Anda memilih untuk ikut serta. Untuk data sensitif, pertimbangkan untuk menggunakan model lokal atau khusus. Penanganan data GPT‑5 Nano identik dengan model API OpenAI lainnya—tidak ada penyimpanan data tambahan oleh OrcaRouter.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
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| Input / 1M token | $0.050 |
| Output / 1M token | $0.400 |
| Baca cache / 1M | $0.0050 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
GET /api/public/models/openai/gpt-5-nano-2025-08-07Buka @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