OpenAIのGPT-5.2は、400Kコンテキスト、128K出力、99.0 AA Mathを備え、OrcaRouter経由で100万トークンあたり$1.75/$14で提供されています。
OpenAIのGPT-5.2-2025-12-11は、2025年12月にリリースされたGPT-5シリーズの大規模言語モデルです。拡張されたコンテキスト長とマルチモーダル入力を扱うように設計されており、テキスト、画像、ファイルを含みます。このモデルは400,000トークンのコンテキストウィンドウと最大出力128,000トークンをサポートしており、大規模なドキュメントや長時間のインタラクションを伴うタ…
400,000トークンのコンテキストウィンドウにより、モデルは一度のリクエストで書籍全体、長大な研究レポート、大規模なコードベース、または長時間の会話履歴を処理できます。これにより、小説全体の要約、完全な法的契約の分析、数百ターンにわたる一貫した対話の維持などのタスクが可能になります。128,000トークンの最大出力により、モデルは長いレポートの作成や大規模なコードブロックの生成など、大量のコンテンツを生成できます。この拡張されたコンテキスト機能により、チャンク化や外部メモリの必要性が減り、大規模情報処理に依存するアプリケーションの開発ワークフローが簡素化されます。
このモデルは、ファイル、画像、テキストの3つの入力モダリティを受け付けます。つまり、PDFやスプレッドシート、その他のファイル形式に加えて、図表やスクリーンショット、写真などの画像も入力として提供できます。モデルはこれらをテキストのプロンプトと共に処理し、グラフの説明、画像からのデータ抽出、スキャン文書の要約といったタスクを可能にします。画像やファイルの正確なトークンコストはプロバイダーによるエンコード方法に依存しますが、料金モデルは結果として生じるトークン使用量に適用されます。マルチモーダル機能は、視覚情報と自然言語による推論を統合する必要があるアプリケーションに特に役立ちます。
このモデルは、深い数学的推論を必要とするタスクに優れており、そのことはAA Mathスコア99.0に反映されています。また、長文コンテンツ生成、マルチモーダル分析、複雑な問題解決にも適しています。最適なユースケースとしては、多くの数式を含む論文を扱う学術研究、ライブラリ全体の理解や生成が必要なソフトウェアエンジニアリング、数百ページに及ぶ文書を分析する法律分析、会話履歴全体を記憶する必要があるカスタマーサポートチャットボットが挙げられます。ただし、より単純または短いタスクには、より小型で安価なモデルの方がコスト効率が良い場合があります。このモデルの強みは、その大きなコンテキストと推論能力が最大限に活用されたときに最も顕著に現れます。
もしご利用のユースケースが短いプロンプト、シンプルなクエリ、または深い数学的推論を必要としないタスクである場合、より安価なモデルの方が適切かもしれません。例えば、基本的な分類、短いテキスト生成、または低遅延チャットには、GPT-4o-miniやより小さなオープンソースの代替モデルが、コストの一部で許容できる結果を提供できる可能性があります。$14.00 per 1Mトークンという高い出力価格は、拡張コンテキストや数学的強度を必要とせずに大量のテキストを生成するアプリケーションには高額になります。このモデルにコミットする前に、400Kコンテキストと99.0 AA Mathのパフォーマンスがタスクに有益かどうかを評価してください。
このモデルの主要ベンチマークはAA Math評価で99.0です。AA Mathは、代数、算術、微積分、論理的問題解決を含む高レベルの数学的推論能力を評価するために設計されたテストです。スコア99.0は、モデルが提示されたほぼすべての数学問題を正しく解くことができることを示し、この特定の指標においてトップパフォーマンスのモデルの中に位置づけられます。このベンチマークは数学的能力の強力な指標ですが、全体的な知能やすべてのタスクへの適合性を包括的に測定するものではありません。数学のパフォーマンスが重要な場合、ユーザーは特定のドメインでの追加評価を検討すべきです。
レイテンシとスループットは、入力のサイズ、要求された出力長、およびOrcaRouterのAPI上の現在のトラフィックに依存します。モデルが大きく、最大128,000出力トークンをサポートしているため、非常に長い生成は実時間でかなりの時間を要する可能性があります。短い応答（数百トークン）の場合、レイテンシは通常数秒程度です。このサービスはモデルごとの1秒あたりのトークン数を公表していませんが、高スループットが必要なユーザーは自身のワークロードでテストすることをお勧めします。ストリーミング応答（streamパラメータを使用）は、インタラクティブなアプリケーションの知覚レイテンシを低減できます。このモデルは同じOpenAI互換のエンドポイントを介してアクセスされるため、レイテンシ特性はOrcaRouterを通じて提供される他のモデルと同様です。
このモデルの主要な強みは数学的推論であり、AA Mathスコア99.0によって確認されています。また、非常に長いコンテキスト（最大400Kトークン）の処理と、大規模な出力（最大128Kトークン）の生成においても優れた能力を示しています。マルチモーダル入力対応により、画像やファイルに基づく推論が可能であり、データ分析やドキュメント理解において汎用性を発揮します。長文書にわたる情報の統合や複雑な分析推論が必要なタスクでは、このモデルはより小型の代替モデルよりも優れた性能を発揮すると考えられます。さらに、OrcaRouterを通じたゼロマークアップ料金設定により、追加手数料なしでプロバイダー料金を支払うことができます。
その強みにもかかわらず、このモデルには限界があります。出力トークンあたりの高コスト（$14.00 per 1M tokens）は、大量のテキストを生成するアプリケーションではすぐに積み上がる可能性があります。非数学的推論タスクにおける性能は、より安価な代替モデルよりも比例して優れているとは限りません。また、このモデルは典型的なLLMの弱点である幻覚（ハルシネーション）を示すことがあり、特に不明瞭または非常に新しい情報に関して顕著です。マルチモーダル入力の処理では、画像やファイルのトークン化の仕方によって、予想よりも高いトークン使用量が発生する可能性があります。最後に、400Kトークンのコンテキストウィンドウは入力全体に対するものであり、モデルはそのウィンドウ内の非常に長い依存関係に依然として苦戦する可能性がありますが、全体的には良好に動作します。
料金はトークン使用量に基づきます：100万入力トークンあたり1.75ドル、100万出力トークンあたり14.00ドルです。これらはOrcaRouterがゼロマークアップでそのまま提供するプロバイダー料金です。入力トークンには、プロバイダーがエンコードしたテキスト、画像、ファイルが含まれます。出力トークンはモデルによって生成されます。コストはリクエストごとに計算され、合計請求額は入力トークンと出力トークンのコストの合計です。例えば、10,000入力トークンと2,000出力トークンのリクエストの場合、コストは約0.0000175ドル（入力）+ 0.000028ドル（出力）= 0.0000455ドルとなります。ユーザーはOrcaRouterのログおよび請求ダッシュボードを通じて使用量を監視できます。
出力価格（1Mトークンあたり$14.00）は、入力価格（1Mトークンあたり$1.75）の8倍です。これは、大規模モデルに対するプロバイダーの料金体系と一致しており、自己回帰生成の計算コストを反映しています。トークンを順次生成するには、特に400Kコンテキストウィンドウを持つモデルでは、大量のGPUメモリと計算能力が必要です。長い出力を必要とするアプリケーションでは、出力コストが支配的になります。ユーザーは可能な限り出力長を最小限に抑えるようにプロンプトを設計するか、繰り返し応答のキャッシュを検討する必要があります。OrcaRouterはこれらの料金に何のマークアップも追加しないため、表示される価格はプロバイダーの価格です。
はい。モデルの出力トークンは高価であるため、タスクが本当に高い数学的正確性や長いコンテキストを必要とするかどうかを評価する価値があります。短いまたは単純な出力の場合、より安価なモデルで十分かもしれません。また、マルチモーダル入力を使用すると、画像が多くのトークンにエンコードされる場合、入力トークンのコストが増加する可能性があります。画像を圧縮するか、可能な場合はテキストのみのプロンプトを使用することで、コストを抑えることができます。OrcaRouterは（有効になっている場合）繰り返しのプロンプトに対してキャッシュを提供し、同一または類似のリクエストに対する入力トークンコストを削減できます。ただし、モデルの価格は従量課金制であり、プロバイダーが割引を導入しない限り、一括利用の割引はありません。
OrcaRouterは、繰り返し入力されるトークンに対するコストを削減できるキャッシュ機能を提供します。キャッシュが有効な場合、同一の入力プレフィックスが保存され、リクエスト間で再利用されるため、同じトークンを再処理するための課金が発生しません。これは、同じシステムプロンプト、フューショットの例、または大きなコンテキストチャンクを頻繁に送信するアプリケーションにとって特に有益です。キャッシュは通常、限られた時間（数分から数時間など）保持されます。ユーザーはAPIを介してキャッシュパラメータを設定できます。実際の節約額は入力の繰り返し率に依存します。出力トークンはリクエストごとに生成されるため、キャッシュされることはありません。
OrcaRouter の OpenAI 互換 API をベース URL https://api.orcarouter.ai/v1 で使用してモデルを呼び出します。モデルパラメータを "openai/gpt-5.2-2025-12-11" に設定して、標準の OpenAI chat completions エンドポイントを使用します。API キー (OrcaRouter から取得) は、Authorization ヘッダーに Bearer トークンとして送信されます。Python と OpenAI ライブラリを使用した例: import openai openai.api_base = "https://api.orcarouter.ai/v1" openai.api_key = "your-key" response = openai.ChatCompletion.create( model="openai/gpt-5.2-2025-12-11", messages=[{"role":"user","content":"Solve 2+2"}] ) 応答形式は OpenAI の ChatCompletion 構造と一致します。ストリーミングは stream=True を設定することでサポートされています。
すべての標準OpenAI Chat Completionパラメータがサポートされています。含まれるもの: model (必須)、messages (メッセージオブジェクトの配列)、max_tokens (最大128,000)、temperature、top_p、frequency_penalty、presence_penalty、stop、stream。マルチモーダル入力では、標準のOpenAIコンテンツパーツ構造を使用して、メッセージコンテンツに画像やファイルのURLを含めることができます（例: content: [{"type":"image_url","image_url":{"url":"..."}}]）。このモデルは、出力を制限したい場合にmax_completion_tokensパラメータもサポートしています。コンテキストウィンドウには入力トークンと出力トークンの両方が含まれるため、合計トークン数（入力＋出力）が400,000を超えないように注意してください。制限を超えるとAPIはエラーを返します。
現在、OpenAIのAPIを直接使用している場合、OrcaRouterへの移行にはベースURLとAPIキーの変更のみが必要です。openai.api_baseを"https://api.openai.com/v1"から"https://api.orcarouter.ai/v1"に変更し、OrcaRouterのAPIキーを使用してください。モデル名（例："openai/gpt-5.2-2025-12-11"）やリクエスト形式を含め、他のコードはすべてそのままにしてください。レスポンス構造は同一です。接続を確認するために、1つのリクエストでテストしてください。OrcaRouterはプロバイダーの提供する遅延以外に追加の遅延を発生させず、価格は透明です（マークアップなし）。モデルを切り替える必要があるユーザーにとって、同じエンドポイントがOrcaRouterで利用可能なすべてのモデルで機能します。
認証は、Authorization ヘッダーに送信される API キーによって行われます。"Bearer <your-api-key>" の形式です。API キーは、OrcaRouter にアカウントを作成し、ダッシュボードからキーを生成することで取得します。個別のクライアント ID やシークレットはありません。API キーだけで十分です。キーは安全に保管し、クライアント側のコードに公開しないでください。サーバーサイドアプリケーションでは、環境変数に保存してください。異なるチームやプロジェクトで複数のキーが必要な場合は、ダッシュボードで複数のキーを作成できます。すべてのリクエストはキーに関連付けられたアカウントに請求されます。レート制限と使用量クォータはキーごとに適用されます。詳細については、OrcaRouter のドキュメントを参照してください。
従来のGPT-4.0モデルと比較して、GPT-5.2-2025-12-11は大幅に大きなコンテキストウィンドウ（400K対GPT-4 Turboの通常32Kまたは128K）、より高い出力制限（128K対8K-32K）、およびマルチモーダル入力サポート（GPT-4 Turboも画像をサポートするが、GPT-5.2はファイル入力を追加）を提供します。AA Mathスコア99.0は、GPT-4.0の典型的な数学ベンチマーク性能（類似テストで約70～80）よりもはるかに高いと考えられます。料金体系は異なります：GPT-4 Turboは100万トークンあたり$10/$30でしたが、本モデルは入力が安い（$1.75）ものの、出力がより高価です（$14）。出力が少ないタスクでは、GPT-5.2の方が全体的に費用対効果が高い可能性があります。
AnthropicのClaudeモデルも大きなコンテキストウィンドウを提供しています（例：Claude 3.5 Sonnetは200K）。Claude 3.5 Opusは同等の数学能力を持っていますが、AA Mathスコアは公表されていません。GPT-5.2の400KコンテキストはほとんどのClaudeモデルの2倍であり、その128K出力もClaudeの標準的な4K〜8K出力より大きいです。価格の違い：Claude 3.5 Sonnetは100万トークンあたり$3/$15でしたが、GPT-5.2は$1.75/$14です。したがって、GPT-5.2は入力では安いですが、出力では同程度です。Claudeモデルは強力な安全性の調整があり、対話で好まれることが多いです。選択は特定のタスク要件に依存します。特に、より高い出力能力や数学パフォーマンスが必要な場合です。
Llama 3.1 405BやMixtral 8x22Bのようなオープンソースモデルは、コンテキストウィンドウが小さく（通常128K以下）、数学ベンチマークスコアも低めです。例えば、Llama 3.1 405Bは同様の数学テストで85〜90点程度です。GPT-5.2の99.0 AA Mathやマルチモーダルファイル入力には及びません。しかし、オープンソースモデルはセルフホストが可能で、ハードウェアがあればスケール時にトークンあたりのコストを抑えられます。OrcaRouter経由のGPT-5.2は、使いやすさ、インフラ不要、ゼロマークアップ料金を提供します。最大限の数学的正確性を求めるユーザーにはクローズドソースモデルが優れており、コスト管理とセルフホスティングによるデータプライバシーを重視するユーザーにはオープンソースが適している場合があります。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="openai/gpt-5.2-2025-12-11",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| 入力 / 1M tokens | $1.75 |
| 出力 / 1M tokens | $14.00 |
| キャッシュ読み取り / 1M | $0.175 |
| 通貨 | USD |
表示価格に基づく概算
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
@misc{orcarouter_gpt_5_2_2025_12_11,
title = {openai/gpt-5.2-2025-12-11 API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5.2-2025-12-11}
}openai. (n.d.). openai/gpt-5.2-2025-12-11 API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5.2-2025-12-11