OpenAI GPT-5.4-2026-03-05: 1.05M di contesto, 128K di output, 92.0 GPQA Diamond. Input: testo, immagini, file.
Questo è un modello linguistico di grandi dimensioni di OpenAI con una finestra di contesto di 1.050.000 token e un output massimo di 128.000 token. Accetta input di testo, immagini e file,…
Considerando il suo contesto di 1.05M e il supporto multimodale, eccelle in attività come l'analisi di lunghi report finanziari con grafici incorporati, la sintesi di interi documenti di discovery legale, l'esame di grandi codebase per bug o pattern e la conduzione di ricerche accademiche su lunghi articoli. Può combinare diverse immagini (ad esempio, diapositive di una presentazione) con contesto testuale e produrre un riepilogo unificato. L'output massimo di 128K lo rende inoltre adatto per generare report completi, progetti software completi o contenuti narrativi estesi che sarebbero troncati da modelli con limiti di output inferiori. Anche i casi d'uso che richiedono elevate capacità di ragionamento, come problemi matematici o logici a più passaggi, beneficiano dei punteggi benchmark.
Se il tuo compito prevede input e output brevi (ad esempio, conversazioni chatbot sotto i 4K token, classificazione semplice o traduzioni brevi), un modello più piccolo come OpenAI GPT-4o mini o GPT-4o può essere più conveniente e veloce. Inoltre, se l'attività non richiede la profondità di ragionamento misurata da GPQA Diamond, un modello più economico può ottenere risultati accettabili a costi inferiori. Poiché il prezzo di questo modello su OrcaRouter non è disponibile pubblicamente, è probabile che il costo per token sia superiore rispetto ai modelli più piccoli. Valuta se il contesto esteso e la dimensione dell'output sono necessari; in caso contrario, un modello più leggero ridurrà sia il costo monetario che la latenza.
Il modello gestisce nativamente input di testo, immagini e file all'interno della stessa finestra di contesto. Ciò significa che puoi inviare una richiesta che includa un prompt testuale, alcune immagini (ad esempio fotografie, diagrammi) e file allegati (ad esempio PDF, fogli di calcolo) come parte dell'array di messaggi. Il modello ragionerà su tutte le modalità. Ad esempio, potresti chiedergli di confrontare un diagramma in un'immagine con i dati in un file CSV e produrre un'analisi testuale. Nota che l'elaborazione di immagini e file consuma token dalla finestra di contesto; un'immagine grande può utilizzare migliaia di token, quindi pianifica le tue richieste di conseguenza per rimanere entro 1.050.000 token.
La modalità di input file copre i formati di documento comuni come PDF, Word, Excel, PowerPoint, file di testo e, possibilmente, formati immagine oltre alle tipiche immagini web. Sebbene i tipi MIME esatti non siano specificati nei fatti forniti, OrcaRouter probabilmente supporta la stessa gamma degli endpoint file di OpenAI. Per ottenere i migliori risultati, utilizza file basati su testo (PDF, TXT, codice) poiché le immagini vengono gestite separatamente tramite la modalità immagine. Il modello può estrarre testo dai file e incorporarlo nel suo ragionamento. Se devi analizzare un'immagine incorporata in un file (ad es. un PDF con immagini), è meglio estrarre l'immagine separatamente e inviarla tramite l'input immagine.
GPQA Diamond è un benchmark composto da domande a scelta multipla di livello post-laurea in biologia, fisica e chimica. Un punteggio di 92.0 indica che il modello ha risposto correttamente al 92% di queste domande. Questo è un risultato solido, che suggerisce che il modello possiede un ragionamento profondo e conoscenze specifiche del dominio. Tuttavia, i punteggi dei benchmark non garantiscono una prestazione perfetta in ogni scenario reale. Il modello può ancora produrre errori in compiti complessi o su argomenti al di fuori della sua distribuzione di addestramento. Questo punteggio è una metrica comparativa: mostra che questo modello supera molti modelli precedenti in questo test specifico, ma per applicazioni critiche specifiche del dominio, convalidare sempre gli output.
I punti di forza includono la capacità di elaborare contesti molto lunghi, gestire molteplici modalità e produrre output di lunga durata. L'alto punteggio GPQA Diamond indica un forte ragionamento. Limitazioni: come per tutti gli LLM, può generare informazioni che suonano plausibili ma sono errate (allucinazione). L'ampia finestra di contesto significa che se un utente fornisce informazioni contrastanti o irrilevanti all'interno del contesto, il modello potrebbe avere difficoltà a concentrarsi sulle parti importanti. Inoltre, poiché il modello è grande, la latenza di inferenza potrebbe essere più alta rispetto a modelli più piccoli. L'output massimo del modello di 128.000 token è generoso ma comunque finito; generazioni estremamente lunghe potrebbero comunque essere troncate se l'output supera tale limite. Non vengono forniti pubblicamente dati sulla latenza o sulla velocità.
L'unico benchmark specifico fornito è GPQA Diamond con 92.0. Per confronto, modelli precedenti di OpenAI come GPT-4 (agosto 2023) hanno ottenuto circa 38.0 su GPQA (il livello più alto di Diamond). GPT-4o (maggio 2024) ha raggiunto circa 75-80 su GPQA Diamond (pubblicamente noto). Pertanto, questo modello mostra un miglioramento. Per altri benchmark come MMLU, HumanEval, ecc., non vengono forniti dati; gli utenti devono presupporre le tipiche prestazioni elevate attese da un modello di punta OpenAI. Il principale elemento distintivo è la dimensione del contesto e dell'output: GPT-4o ha un contesto di 128K e un output di 16K, mentre questo modello ha un contesto di 1,05M e un output di 128K. Quindi per documenti molto lunghi, questo modello è la scelta migliore.
Nei fatti forniti non sono inclusi benchmark multimodali (ad esempio, su didascalie di immagini o risposta a domande visive). Tuttavia, dato che il modello supporta input di immagini e file, è ragionevole supporre che funzioni bene nei compiti standard di visione-linguaggio, probabilmente in modo comparabile o migliore rispetto alle capacità visive di GPT-4o. Gli utenti interessati alla precisione multimodale specifica dovrebbero testare il modello sui propri dataset. Il punteggio GPQA Diamond (solo testo) fornisce una base di riferimento per il ragionamento, ma non copre il ragionamento visivo. Per i compiti che richiedono la lettura di testo dalle immagini, il modello utilizza internamente il riconoscimento ottico dei caratteri, ma non vengono forniti dati separati sulla precisione dell'OCR.
Il prezzo per openai/gpt-5.4-2026-03-05 su OrcaRouter non è divulgato pubblicamente nei fatti disponibili. In genere, i modelli con finestre di contesto molto ampie e limiti di output elevati richiedono un prezzo per token più alto a causa delle risorse computazionali necessarie. Per i prezzi correnti, dovresti consultare il dashboard di OrcaRouter o contattare il loro supporto. Quando pianifichi il budget, considera che l'elevato output massimo (128K token) può portare a fatture più alte per richiesta. Alcune piattaforme offrono sconti sulla cache per prompt ripetuti; controlla la documentazione di OrcaRouter per i dettagli. Per carichi di lavoro sensibili ai costi, valuta se modelli più piccoli possano ottenere risultati accettabili per una parte del flusso.
OrcaRouter può offrire meccanismi di caching in cui i prompt ripetuti tra richieste diverse vengono memorizzati temporaneamente per ridurre i costi. Questo è comune tra molti fornitori di API. Per un modello con un contesto di 1.05M, il caching può essere particolarmente vantaggioso se si utilizza spesso lo stesso prompt di sistema o un grande documento statico. Tuttavia, le politiche specifiche di caching per questo modello non sono dettagliate nei fatti forniti. È probabile che tu possa abilitare il caching impostando le opportune intestazioni o utilizzando le funzionalità integrate di OrcaRouter. Senza caching, ogni richiesta elabora l'intero contesto, quindi i costi crescono linearmente con la lunghezza dell'input. Per ottimizzare, pre-elabora gli input rimuovendo il contenuto irrilevante prima di inviarli.
Nei dati non sono forniti prezzi per nessun modello. Come nota generale, i modelli con finestre di contesto più ampie e date di rilascio più recenti tendono ad avere prezzi più elevati rispetto ai modelli precedenti. GPT-4o, che ha un contesto di 128K e un output di 16K, sarebbe probabilmente più economico di questo modello. Per richieste brevi e frequenti, il costo inferiore di GPT-4o potrebbe essere più conveniente. Per attività con documenti lunghi, la finestra di contesto di GPT-4o potrebbe essere insufficiente, costringendo a suddividere il testo e a effettuare più chiamate; in tal caso, il costo per token più alto di questo modello potrebbe in realtà essere inferiore complessivamente perché evita elaborazioni aggiuntive. Gli utenti dovrebbero effettuare le proprie stime di costo in base ai modelli di utilizzo effettivi.
Imposta l'URL di base a https://api.orcarouter.ai/v1 e usa l'ID del modello "openai/gpt-5.4-2026-03-05" nel corpo della richiesta. L'API è pienamente compatibile con il client Python di OpenAI, curl, o qualsiasi client HTTP che supporti l'endpoint chat completions. Esempio con la libreria openai in 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 ) ``` Tutti i parametri standard sono supportati. Ricorda di sostituire YOUR_KEY con una chiave API di OrcaRouter.
I parametri minimi richiesti sono "model" (stringa, deve essere "openai/gpt-5.4-2026-03-05") e "messages" (array di oggetti messaggio). Ogni oggetto messaggio richiede un "role" (system, user o assistant) e "content". Per input multi-modali, il content può essere un array di parti di contenuto (text, image_url o file). Il modello supporta anche un parametro "max_tokens" (intero fino a 128,000). Se omesso, il modello può generare fino alla condizione di stop. Altri parametri opzionali includono temperature, top_p, frequency_penalty, presence_penalty, stop e stream. Tutti seguono la specifica OpenAI Chat Completions.
La migrazione comporta la modifica dell'URL di base e possibilmente l'aggiornamento della chiave API. Se il tuo codice utilizza attualmente il client Python di OpenAI con l'URL di base predefinito (api.openai.com), devi solo istanziare il client con base_url="https://api.orcarouter.ai/v1" e la tua chiave API OrcaRouter. L'ID del modello cambia dal nome del modello OpenAI (ad esempio, "gpt-5.4-2026-03-05") a "openai/gpt-5.4-2026-03-05" (nota il prefisso del provider). Tutti gli altri parametri rimangono invariati. Testa prima con una richiesta semplice. Questo modello potrebbe avere un comportamento leggermente diverso rispetto allo stesso modello quando viene utilizzato direttamente tramite OpenAI, ma dovrebbe essere funzionalmente identico per la maggior parte dei casi d'uso.
GPT-4o (nello specifico la versione gpt-4o-2024-08-06) ha una finestra di contesto di 128.000 token e un output massimo di 16.384 token. Al contrario, openai/gpt-5.4-2026-03-05 offre una finestra di contesto di 1.050.000 token (circa 8,2 volte più grande) e un output massimo di 128.000 token (circa 7,8 volte più grande). Ciò rende il modello più recente decisamente più adatto per attività che coinvolgono interi libri, basi di codice massive o lunghe cronologie di conversazione, nonché per generare output estesi come rapporti completi. Tuttavia, GPT-4o potrebbe avere un'inferenza più rapida e un costo inferiore. In termini di benchmark, il punteggio GPQA Diamond di GPT-4o è più basso (circa 80) rispetto a 92,0, a indicare un ragionamento migliore su domande di livello universitario. Per le attività che rientrano nel contesto di GPT-4o, rimane un'alternativa valida.
GPT-4 Turbo (gpt-4-turbo-2024-04-09) ha una finestra di contesto di 128.000 token e un output massimo di 4.096 token. Il suo punteggio GPQA Diamond è significativamente più basso (circa 38). Pertanto, il modello 5.4 lo supera sia per contesto, output che ragionamento. Poiché GPT-4 Turbo è più vecchio, potrebbe ancora essere utilizzato per attività brevi a basso costo, ma per qualsiasi carico di lavoro con contesto lungo o ragionamento avanzato, questo modello è superiore. Il modello più recente supporta anche input di immagini e file in modo nativo, mentre le capacità visive di GPT-4 Turbo sono state introdotte successivamente e non sono altrettanto integrate.
OrcaRouter offre probabilmente anche altri modelli OpenAI (ad esempio, openai/gpt-4o, openai/gpt-4-turbo) oltre a modelli di altri fornitori. Se hai bisogno di una finestra di contesto più grande di 128K token ma più piccola di 1.05M, potresti considerare modelli come Claude 3.5 Sonnet di Anthropic (contesto 200K) o Gemini 1.5 Pro di Google (contesto 1M). La scelta dipende dalle tue specifiche esigenze di ragionamento, supporto multimodale e lunghezza dell'output. Questo modello si distingue per la combinazione di un contesto molto ampio e un alto punteggio di ragionamento. Per ottenere i migliori risultati, testa il tuo caso d'uso specifico con una richiesta di esempio tramite l'API di OrcaRouter per confrontare la qualità dell'output tra i modelli.
Compatibile con OpenAI: mantieni il tuo SDK
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| Livello | Input / 1M token | Output / 1M token | Lettura cache / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| Livello selezionato in base al numero di token di input di ogni richiesta | |||
Stima basata sul prezzo di listino
Prezzi a livelli — questa stima usa le tariffe del livello base.
Solo una stima — il numero effettivo di token dipende dal tokenizzatore del provider.
GET /api/public/models/openai/gpt-5.4-2026-03-05Apri @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