OpenAI GPT-5.4-2026-03-05: 1.05Mコンテキスト、128K出力、92.0 GPQA Diamond。テキスト、画像、ファイル入力。
これはOpenAIによる大規模言語モデルで、コンテキストウィンドウは1,050,000トークン、最大出力は128,000トークンです。テキスト、画像、ファイルの入力をサポートしており、ユーザーは視覚情報と文章を1つのリクエストで組み合わせることができます。このモデルは、非常に長い文書の処理、多段階の推論、またはテキストと画像の両方を必要とするタスクを実行する必要がある研究者、開発者、企業向けに設計…
1.05Mのコンテキストとマルチモーダルサポートにより、グラフが埋め込まれた長い財務報告書の分析、法的証拠開示文書全体の要約、大規模なコードベースのバグやパターンの調査、長文の論文を用いた学術研究などのタスクに優れています。また、複数の画像（例：プレゼンテーションのスライド）をテキストのコンテキストと組み合わせ、統一された要約を生成できます。128Kの最大出力により、出力制限が小さいモデルでは途切れてしまうような包括的なレポート、完全なソフトウェアプロジェクト、または長編のナラティブコンテンツの生成にも適しています。多段階の数学や論理問題など、高い推論能力を必要とするユースケースも、ベンチマークスコアの恩恵を受けています。
タスクに短い入力と出力が関わる場合（例：4Kトークン未満のチャットボットの会話、単純な分類、簡単な翻訳など）、OpenAIのGPT-4o miniやGPT-4oのような小さなモデルの方が費用対効果が高く、高速である可能性があります。また、GPQA Diamondで測定されるような推論の深さが必要ないタスクであれば、より安価なモデルでも低コストで許容可能な結果が得られます。このモデルのOrcaRouterでの料金は公開されていないため、おそらくトークンあたりのコストはより小さなモデルよりも高くなります。拡張されたコンテキストと出力サイズが必要かどうかを評価してください。必要でない場合は、より軽量なモデルを使用することで、金銭的コストとレイテンシの両方を削減できます。
このモデルは、同じコンテキストウィンドウ内でテキスト、画像、ファイル入力をネイティブに処理します。つまり、テキストプロンプト、数枚の画像（例：写真や図）、添付ファイル（例：PDFやスプレッドシート）をメッセージ配列の一部として含むリクエストを送信できます。モデルはすべてのモダリティにわたって推論を行います。例えば、画像内の図表とCSVファイル内のデータを比較し、テキストによる分析を生成するよう依頼することも可能です。なお、画像やファイルの処理はコンテキストウィンドウ内のトークンを消費します。大きな画像は数千トークンを使用する可能性があるため、1,050,000トークン以内に収まるようにリクエストを計画してください。
ファイル入力モダリティは、PDF、Word、Excel、PowerPoint、テキストファイルなどの一般的なドキュメント形式、および通常のWeb画像を超える可能性のある画像フォーマットをカバーしています。提供された事実には正確なファイルのMIMEタイプは指定されていませんが、OrcaRouterはおそらくOpenAIのファイルエンドポイントと同じ範囲をサポートしています。最良の結果を得るには、テキストベースのファイル（PDF、TXT、コード）を使用してください。画像は画像モダリティを通じて個別に処理されるためです。モデルはファイルからテキストを抽出し、それを推論に組み込むことができます。ファイルに埋め込まれた画像（例：画像付きPDF）を分析する必要がある場合は、画像を個別に抽出し、画像入力で送信する方が良いです。
GPQA Diamondは、生物学、物理学、化学の大学院レベルの多肢選択問題からなるベンチマークです。スコア92.0は、モデルがこれらの質問の92%に正しく回答したことを示します。これは強力な結果であり、モデルが深い推論能力とドメイン固有の知識を持っていることを示唆しています。しかし、ベンチマークスコアはあらゆる現実のシナリオでの完璧な性能を保証するものではありません。モデルは、訓練分布の外にある微妙なタスクやトピックでは依然としてエラーを生じる可能性があります。このスコアは比較指標であり、このモデルがこの特定のテストで多くの以前のモデルよりも優れていることを示しますが、ドメイン固有のハイステークスアプリケーションでは、常に出力を検証してください。
長所としては、非常に長いコンテキストを処理できること、複数のモダリティを扱えること、そして長い出力を生成できることが挙げられます。高いGPQA Diamondスコアは強力な推論能力を示しています。制限事項: 他のすべてのLLMと同様に、もっともらしく聞こえるが誤った情報（幻覚）を生成する可能性があります。大きなコンテキストウィンドウにより、ユーザーがコンテキスト内で矛盾する情報や無関係な情報を提供した場合、モデルが重要な部分に集中するのが難しくなることがあります。また、モデルが大きいため、推論レイテンシが小規模モデルよりも高くなる可能性があります。モデルの最大出力トークン数128,000は十分な大きさですが、それでも有限です。出力がその制限を超えると、非常に長い生成は切り詰められる可能性があります。レイテンシや速度に関する数値は公表されていません。
唯一の具体的なベンチマークとして、GPQA Diamondで92.0が示されています。比較として、以前のOpenAIモデル（例：GPT-4（2023年8月））はGPQA（Diamondの高難度）で約38.0を記録していました。GPT-4o（2024年5月）はGPQA Diamondで約75〜80（公知の数値）でした。したがって、本モデルは改善を示しています。MMLUやHumanEvalなどの他のベンチマークについてはデータが提供されていません。ユーザーは、フラッグシップのOpenAIモデルとして期待される標準的な強力なパフォーマンスを想定すべきです。主な差別化要因はコンテキストと出力サイズです。GPT-4oは128Kのコンテキストと16Kの出力を持つのに対し、本モデルは1.05Mのコンテキストと128Kの出力を持ちます。したがって、非常に長いドキュメントに対しては、本モデルの方が適しています。
提供された事実には、マルチモーダルベンチマーク（例：画像キャプショニングや視覚質問応答）は含まれていません。しかし、モデルが画像やファイル入力をサポートしていることから、標準的な視覚言語タスクにおいて良好な性能を発揮すると推測でき、おそらくGPT-4oの視覚能力と同等かそれ以上であると考えられます。特定のマルチモーダル精度に関心があるユーザーは、自身のデータセットでモデルをテストすべきです。GPQA Diamondスコア（テキストのみ）は推論のベースラインを示しますが、視覚推論をカバーしていません。画像からテキストを読み取るタスクでは、モデルは内部的に光学文字認識（OCR）を使用しますが、個別のOCR精度の数値は提供されていません。
OrcaRouter上のopenai/gpt-5.4-2026-03-05の価格は、入手可能な情報では公開されていません。通常、非常に大きなコンテキストウィンドウと高い出力制限を持つモデルは、必要な計算リソースのため、トークンあたりの価格が高くなります。現在の価格については、OrcaRouterダッシュボードを参照するか、サポートにお問い合わせください。予算を計画する際には、高い最大出力（128Kトークン）によりリクエストごとの請求額が大きくなる可能性があることを考慮してください。一部のプラットフォームでは、繰り返しプロンプトに対してキャッシュ割引を提供しています。詳細はOrcaRouterのドキュメントを確認してください。コスト重視のワークロードでは、パイプラインの一部でより小さなモデルが許容可能な結果を達成できるかどうかを評価してください。
OrcaRouter は、リクエスト間で繰り返されるプロンプトを一時的に保存してコストを削減するキャッシュ機構を提供する場合があります。これは多くのAPIプロバイダーに共通しています。1.05Mのコンテキストを持つモデルでは、同じシステムプロンプトや大きな静的ドキュメントを頻繁に使用する場合、キャッシュは特に有益です。ただし、このモデルの具体的なキャッシュポリシーは提供された情報には詳しく記載されていません。適切なヘッダーを設定するか、OrcaRouterの組み込み機能を使用することでキャッシュを有効にできる可能性があります。キャッシュがない場合、各リクエストは完全なコンテキストを処理するため、コストは入力長に比例して増加します。最適化するには、送信前に入力を前処理して無関係なコンテンツを削除してください。
事実として、いずれのモデルにも料金の数値は示されていません。一般的に、コンテキストウィンドウが大きく、リリース日が新しいモデルほど、旧モデルよりも高価に設定される傾向があります。128Kのコンテキストと16Kの出力を持つGPT-4oは、このモデルよりも安価になる可能性が高いでしょう。頻繁な短いリクエストには、GPT-4oの低コストのほうが経済的かもしれません。長文書のタスクでは、GPT-4oのコンテキストウィンドウが不十分で、チャンク分割や複数回の呼び出しが必要になる場合があります。その場合、このモデルのトークン単価は高いものの、余分な処理を回避できるため、結果的に総コストが低くなる可能性があります。ユーザーは実際の使用パターンに基づいて、自身でコスト見積もりを実施すべきです。
ベースURLを`https://api.orcarouter.ai/v1`に設定し、リクエストボディ内でモデルID `"openai/gpt-5.4-2026-03-05"`を使用してください。このAPIはOpenAI Pythonクライアント、curl、またはchat completionsエンドポイントをサポートする任意のHTTPクライアントと完全に互換性があります。Pythonでのopenaiライブラリの使用例： ```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 ) ``` すべての標準パラメータがサポートされています。`YOUR_KEY`をOrcaRouterのAPIキーに置き換えることを忘れないでください。
最低限必要なパラメータは "model"（文字列、必ず "openai/gpt-5.4-2026-03-05" である必要があります）と "messages"（メッセージオブジェクトの配列）です。各メッセージオブジェクトには "role"（system、user、または assistant）と "content" が必要です。マルチモーダル入力の場合、content はコンテンツ部分（text、image_url、または file）の配列にすることができます。モデルはまた "max_tokens" パラメータ（最大128,000の整数）をサポートしています。省略した場合、モデルは停止条件に達するまで生成を続ける可能性があります。その他のオプションパラメータには、temperature、top_p、frequency_penalty、presence_penalty、stop、stream があります。これらはすべて OpenAI Chat Completions 仕様に従います。
移行には、ベースURLの変更と、場合によってはAPIキーの更新が必要です。現在OpenAI PythonクライアントをデフォルトのベースURL（api.openai.com）で使用している場合、クライアントを base_url="https://api.orcarouter.ai/v1" とあなたのOrcaRouter APIキーでインスタンス化するだけで済みます。モデルIDはOpenAIのモデル名（例: "gpt-5.4-2026-03-05"）から "openai/gpt-5.4-2026-03-05" に変わります（プロバイダーのプレフィックスに注意）。他のすべてのパラメーターは同じままです。最初に簡単なリクエストでテストしてください。このモデルは、OpenAIを介して直接アクセスした場合と動作が若干異なる可能性がありますが、ほとんどのユースケースでは機能的に同一のはずです。
GPT-4o（特にgpt-4o-2024-08-06バージョン）は、128,000トークンのコンテキストウィンドウと16,384トークンの最大出力を持っています。対照的に、openai/gpt-5.4-2026-03-05は、1,050,000トークンのコンテキストウィンドウ（約8.2倍大きい）と128,000トークンの最大出力（約7.8倍大きい）を提供します。これにより、新しいモデルは、書籍全体、大規模なコードベース、長い会話履歴を含むタスクや、完全なレポートのような拡張出力の生成に非常に適しています。しかし、GPT-4oはより高速な推論と低コストを持つかもしれません。ベンチマークに関しては、GPT-4oのGPQA Diamondスコアは約80と低く、92.0と比較すると、後者のモデルが大学院レベルの質問においてより優れた推論を示しています。GPT-4oのコンテキストに収まるタスクについては、依然として強力な選択肢です。
GPT-4 Turbo (gpt-4-turbo-2024-04-09)のコンテキストウィンドウは128,000トークン、最大出力は4,096トークンです。そのGPQAダイヤモンドスコアはかなり低く（約38）です。したがって、5.4モデルはコンテキスト、出力、推論のすべてでそれを上回ります。GPT-4 Turboは古いため、低コストの短いタスクには依然として使用されるかもしれませんが、長いコンテキストや高度な推論を必要とするワークロードには、このモデルの方が優れています。新しいモデルは画像とファイルの入力をネイティブでサポートしていますが、GPT-4 Turboのビジョン機能は後から導入され、統合度が低いです。
OrcaRouter は、他の OpenAI モデル（例：openai/gpt-4o、openai/gpt-4-turbo）や、他プロバイダーのモデルも提供している可能性があります。128K トークンより大きく 1.05M トークン未満のコンテキストウィンドウが必要な場合は、Anthropic の Claude 3.5 Sonnet（200K コンテキスト）や Google の Gemini 1.5 Pro（1M コンテキスト）などのモデルを検討するとよいでしょう。選択は、推論、マルチモーダルサポート、出力長に関する具体的な要件によって異なります。このモデルは、非常に大きなコンテキストと高い推論スコアの組み合わせで際立っています。最良の結果を得るには、OrcaRouter の API を通じてサンプルリクエストで特定のユースケースをテストし、モデル間の出力品質を比較してください。
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-5.4-2026-03-05",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| 階層 | 入力 / 1M tokens | 出力 / 1M tokens | キャッシュ読み取り / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| 階層はリクエストごとの入力トークン数で決定されます | |||
表示価格に基づく概算
段階制料金 — この見積もりは基本ティアの料金を使用しています。
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_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