GPT-5.5 adalah model frontier OpenAI yang dirancang untuk beban kerja profesional yang kompleks, dibangun di atas GPT-5.4 dengan penalaran yang lebih kuat, keandalan yang lebih tinggi, dan efisiensi token yang lebih baik pada tugas-tugas sulit. Ia memiliki token 1M+...
GPT-5.5 adalah model bahasa dari OpenAI yang dirancang untuk output yang diperpanjang dan input multimodal. Model ini menerima file, gambar, dan teks, serta dapat menghasilkan hingga 128.000 token…
Saat diberikan sebuah file, GPT-5.5 dapat membaca dan menganalisis isinya. Ini termasuk mengekstrak informasi dari dokumen, merangkum isinya, menjawab pertanyaan tentang materi tersebut, atau mengubah data ke format yang berbeda. Misalnya, Anda dapat mengunggah PDF multi-halaman dan meminta ringkasan terstruktur atau titik data tertentu. Model memproses file sebagai bagian dari masukannya, menggabungkannya dengan teks atau gambar yang menyertainya. Kemampuan ini berguna untuk mengotomatiskan tinjauan dokumen, ekstraksi data, dan pembuatan laporan dari file.
GPT-5.5 dapat menafsirkan gambar yang diberikan sebagai input. Ini mencakup mengenali objek, membaca teks dari gambar, mendeskripsikan adegan, menganalisis grafik, dan menjawab pertanyaan tentang konten visual. Misalnya, Anda dapat memberikan gambar grafik dan meminta interpretasi tertulis tentang tren, atau foto papan tulis dan meminta item tindakan. Model ini memproses gambar bersama dengan input teks dan file apa pun, memungkinkan tugas penalaran multimodal yang menggabungkan informasi visual dan tekstual.
Meskipun GPT-5.5 menawarkan output besar dan input multimodal, mungkin berlebihan untuk tugas-tugas sederhana. Jika kasus penggunaan Anda hanya melibatkan generasi teks pendek (misalnya, balasan email, cuplikan kode pendek, klasifikasi) tanpa perlu input file atau gambar, model yang lebih kecil dan lebih murah seperti GPT-4o mini dari OpenAI (jika tersedia) bisa lebih hemat biaya. Demikian pula, jika Anda tidak memerlukan output 128k-token, model dengan batas output yang lebih kecil mungkin sudah memadai. Evaluasi ukuran input-output tipikal dan kebutuhan modalitas Anda sebelum memilih GPT-5.5 untuk menghindari membayar kapasitas yang tidak akan Anda gunakan.
Skor model sebesar 93,9 pada τ²-Bench menunjukkan kinerja yang kuat dalam tugas-tugas agen yang melibatkan penggunaan alat, mengikuti instruksi multi-langkah, dan menjaga konsistensi selama beberapa tindakan. Ini mencakup skenario seperti penjelajahan web, pemanggilan API, kueri basis data, atau mengeksekusi kode dalam sebuah loop. Kapasitas keluaran yang besar juga memungkinkan model untuk menghasilkan rangkaian panjang panggilan alat atau langkah penalaran tanpa pemotongan. Namun, skor tolok ukur mencerminkan kinerja pada set tes tertentu; kinerja agen di dunia nyata dapat bervariasi tergantung pada kompleksitas tugas dan kualitas alat yang tersedia.
τ²-Bench adalah tolok ukur yang dirancang untuk mengevaluasi kemampuan agen dalam melakukan tugas multi-langkah yang kompleks menggunakan alat. Tolok ukur ini menguji seberapa baik model dapat mengikuti instruksi, merencanakan tindakan, menggunakan alat eksternal (seperti mesin pencari, penerjemah kode, atau API), dan memperbaiki kesalahan di beberapa langkah. Skor 93,9 yang dicapai oleh GPT-5.5 menempatkannya pada tingkat kinerja tinggi pada tolok ukur ini, yang menunjukkan bahwa model dapat menjalankan alur kerja agen secara andal dengan kegagalan minimal. Ini adalah satu titik data; tolok ukur lain mungkin menunjukkan kekuatan atau kelemahan yang berbeda.
Skor τ²-Bench sebesar 93,9 menunjukkan bahwa GPT-5.5 sangat kuat dalam tugas-tugas yang membutuhkan penalaran berkelanjutan dan penggunaan alat dalam beberapa putaran. Tolok ukur ini memberi penghargaan kepada model yang dapat menafsirkan instruksi dengan benar, memilih alat yang tepat, dan pulih dari kesalahan. Oleh karena itu, GPT-5.5 kemungkinan besar cocok untuk membangun agen otonom yang perlu menyelesaikan tugas dengan intervensi manusia yang terbatas. Selain itu, ruang kepala keluaran yang besar pada model ini dapat membantu dalam skenario di mana langkah-langkah penalaran antara cukup panjang. Namun, tolok ukur bersifat sempit; kemampuan lain seperti penulisan kreatif atau akal sehat mungkin tidak diukur secara langsung oleh τ²-Bench.
Data yang disediakan hanya mencakup satu skor tolok ukur (τ²-Bench) dan tidak menyebutkan performa pada tolok ukur umum lainnya seperti MMLU, HumanEval, atau GSM8K. Oleh karena itu, kemampuan pengetahuan umum, penalaran matematis, dan pembuatan kode tidak diukur di sini. Panjang konteks input model juga tidak disebutkan, sehingga Anda mungkin perlu menguji untuk kasus penggunaan spesifik Anda. Selain itu, model mungkin menangani gambar dan file, tetapi tidak ada angka latensi atau tingkat kesalahan yang diberikan. Pengguna harus mengevaluasi GPT-5.5 pada tugas mereka sendiri untuk memahami keterbatasan praktisnya.
Data yang diberikan tidak mencakup angka latensi atau kecepatan untuk GPT-5.5. Sebagai model besar dengan kemampuan output 128k token, waktu respons akan bergantung pada beberapa faktor: panjang input dan output, kompleksitas permintaan, serta beban server saat ini di OrcaRouter. Untuk prompt singkat dan output kecil, latensi mungkin wajar; untuk output dengan panjang maksimal, bisa jauh lebih lama. Untuk memperkirakan kecepatan, Anda dapat melakukan benchmark model menggunakan API OrcaRouter dengan payload tipikal untuk kasus penggunaan Anda. Tidak ada jaminan kualitas layanan yang disebutkan dalam informasi yang tersedia.
Rincian harga untuk GPT-5.5 tidak disertakan dalam data yang diberikan. Di OrcaRouter, biaya biasanya didasarkan pada jumlah token input dan output, dengan tarif terpisah untuk pemrosesan teks, gambar, dan file. Untuk harga yang tepat, lihat halaman harga OrcaRouter atau hubungi dukungan mereka. Perhatikan bahwa token output yang besar (hingga 128k) dapat mengakumulasi biaya signifikan untuk generasi yang panjang, sehingga disarankan untuk menetapkan parameter `max_tokens` yang sesuai dalam panggilan API Anda untuk mengontrol biaya.
Tanpa harga yang spesifik, terdapat pertimbangan umum yang berlaku. Model dengan kapasitas keluaran lebih besar dan input multimodal cenderung lebih mahal per token dibandingkan alternatif yang lebih sederhana. Untuk tugas yang tidak memerlukan keluaran 128k penuh atau input multimodal, model yang lebih kecil mungkin lebih ekonomis. Selain itu, pemrosesan gambar dan file menimbulkan biaya tambahan, yang sering dihitung berdasarkan ukuran atau jumlah gambar. Jika pipeline Anda sebagian besar menggunakan teks, pertimbangkan apakah kemampuan file/gambar sepadan dengan harga yang lebih tinggi. Caching atau pemrosesan batch dapat mengurangi biaya; tanyakan kepada OrcaRouter tentang potongan harga yang tersedia untuk konten yang berulang.
Informasi yang diberikan tidak menyebutkan mekanisme caching apa pun untuk GPT-5.5 di OrcaRouter. Caching dapat mengurangi biaya dengan menggunakan kembali hasil yang telah dihitung sebelumnya untuk permintaan yang identik atau serupa. Beberapa penyedia API menawarkan caching otomatis untuk perintah yang sering digunakan. Untuk menentukan apakah caching tersedia, periksa dokumentasi OrcaRouter atau hubungi dukungan mereka. Jika caching tidak tersedia, Anda dapat menerapkan cache sendiri di tingkat aplikasi untuk menghindari panggilan yang berlebihan, terutama untuk kueri umum atau input statis.
Untuk memperkirakan biaya, Anda memerlukan tarif per token untuk input dan output, ditambah biaya tambahan untuk gambar atau file. Karena tarif tidak diberikan, Anda dapat memulai dengan melakukan beberapa panggilan uji dengan payload yang representatif dan memeriksa jumlah yang ditagih di dasbor penggunaan OrcaRouter. Untuk panggilan hanya teks, kalikan jumlah token input dan jumlah token output dengan tarif masing-masing. Untuk panggilan multimodal, hitung gambar dan ukuran file sesuai dengan aturan harga OrcaRouter. Perlu diingat bahwa output maksimal 128k dapat menyebabkan penggunaan token yang tinggi; menetapkan batas `max_tokens` yang lebih rendah dapat mencegah tagihan yang tidak terduga.
Anda dapat memanggil GPT-5.5 melalui API yang kompatibel dengan OpenAI milik OrcaRouter. URL dasarnya adalah https://api.orcarouter.ai/v1. Gunakan ID model "openai/gpt-5.5" dalam permintaan Anda. Pustaka klien OpenAI standar apa pun (Python, JavaScript, dll.) dapat digunakan hanya dengan mengubah URL dasar dan kunci API. Contoh menggunakan pustaka openai Python: atur `openai.api_base = "https://api.orcarouter.ai/v1"` dan `openai.api_key = "kunci-anda"`. Kemudian panggil `openai.ChatCompletion.create(model="openai/gpt-5.5", messages=[...])`.
Karena OrcaRouter mengekspos titik akhir yang kompatibel dengan OpenAI, Anda dapat menggunakan sebagian besar parameter standar dari API OpenAI Chat Completion. Parameter tersebut mencakup `temperature`, `max_tokens`, `top_p`, `frequency_penalty`, `presence_penalty`, `stop`, dan `n`. Untuk input multimodal, Anda dapat menyertakan konten gambar atau file dalam array pesan sesuai dengan format API visi OpenAI (menggunakan `content` dengan tipe `image_url` atau `file`). Parameter `max_tokens` mengontrol panjang output hingga 128.000. Perlu diingat bahwa mengatur `max_tokens` terlalu tinggi dapat meningkatkan latensi dan biaya.
Migrasi sangat mudah berkat kompatibilitas API. Ganti URL dasar OpenAI Anda dengan URL milik OrcaRouter (https://api.orcarouter.ai/v1) dan perbarui kunci API Anda. Ubah nama model dari `gpt-5.5` (atau model apa pun yang Anda gunakan di OpenAI) menjadi `openai/gpt-5.5`. Sebagian besar perubahan kode terbatas pada konfigurasi. Jika Anda menggunakan fitur khusus OpenAI yang tidak didukung oleh OrcaRouter (misalnya, beberapa variasi streaming atau pemanggilan fungsi), ujilah untuk memastikan kompatibilitas. Format pesan yang sama, termasuk konten multimodal, berfungsi seperti yang diharapkan.
Streaming didukung melalui API OrcaRouter yang kompatibel dengan OpenAI. Atur `stream=True` dalam permintaan Anda untuk menerima token secara bertahap. Ini dapat meningkatkan latensi yang dirasakan untuk output panjang dan memungkinkan Anda memproses teks saat teks tersebut tiba. Untuk output besar (hingga 128k token), streaming bisa menjadi penting untuk menghindari batas waktu (timeout). Perhatikan bahwa streaming dapat mempengaruhi perhitungan biaya dengan cara yang sama seperti non-streaming (Anda membayar untuk semua token yang dihasilkan). Pastikan klien Anda dapat menangani respons streaming, terutama untuk input multimodal di mana event pertama mungkin tertunda saat model memproses gambar.
Dibandingkan dengan model-model sebelumnya seperti GPT-4, GPT-4 Turbo, atau GPT-4o, GPT-5.5 menawarkan output maksimum yang lebih besar (128k vs. biasanya 4k-32k pada varian lama) dan kemampuan input multimodal (file, gambar, teks). Skor τ²-Bench sebesar 93,9 menunjukkan performa agen yang lebih baik. Namun, perbedaan arsitektur dan data pelatihan yang tepat tidak dipublikasikan. Model yang lebih lama mungkin lebih cepat atau lebih murah untuk tugas-tugas sederhana. Untuk tugas teks murni yang tidak memerlukan output besar atau input multimodal, model yang lebih kecil bisa lebih efisien.
Perbandingan langsung terbatas tanpa data tolok ukur pada tugas yang sama. Banyak pesaing (mis., Anthropic Claude, Google Gemini) juga mendukung input multimodal dan memiliki jendela konteks yang besar. Skor τ²-Bench sebesar 93,9 untuk GPT-5.5 adalah salah satu indikator kinerja agen; model lain mungkin memiliki skor serupa atau berbeda. Output maksimum 128k GPT-5.5 relatif tinggi. Saat memilih di antara penyedia, pertimbangkan faktor seperti harga di OrcaRouter, stabilitas API, dukungan modalitas spesifik (format file), dan persyaratan latensi aplikasi Anda.
Model open-source (misalnya, Llama 3, Mistral) seringkali lebih murah dan memberikan kendali penuh atas deployment, namun mungkin tidak memiliki tingkat integrasi multimodal atau performa agen yang sama. GPT-5.5, yang diakses melalui OrcaRouter, adalah model komersial tertutup dengan harga API. Kapasitas output 128k dan input gambar/file-nya adalah fitur yang mungkin tidak dapat ditandingi oleh model open-source tanpa infrastruktur tambahan. Untuk data sensitif yang memerlukan deployment lokal, open-source mungkin lebih diutamakan. Untuk kemudahan dan kemampuan luas yang siap pakai, GPT-5.5 di OrcaRouter adalah pilihan yang kuat.
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-5.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| Tingkat | Input / 1M token | Output / 1M token | Baca cache / 1M |
|---|---|---|---|
| ≤ 272K | $5.00 | $30.00 | $0.500 |
| ≤ ∞ | $10.00 | $45.00 | $1.00 |
| Tingkat dipilih berdasarkan jumlah token input setiap permintaan | |||
Perkiraan berdasarkan harga daftar
Harga berjenjang — perkiraan ini memakai tarif jenjang dasar.
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
GET /api/public/models/openai/gpt-5.5Buka @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