OpenAI GPT-5.4-2026-03-05: 1.05M de contexto, 128K de saída, 92.0 GPQA Diamond. Entrada de texto, imagem e arquivo.
Este é um modelo de linguagem grande da OpenAI com uma janela de contexto de 1.050.000 tokens e uma saída máxima de 128.000 tokens. Ele aceita entradas de texto, imagem e arquivo, permitindo que os…
Dado seu contexto de 1.05M e suporte multimodal, ele se destaca em tarefas como analisar longos relatórios financeiros com gráficos incorporados, resumir documentos completos de descoberta legal, examinar grandes bases de código em busca de bugs ou padrões e conduzir pesquisas acadêmicas sobre artigos extensos. Ele pode combinar várias imagens (por exemplo, slides de uma apresentação) com contexto textual e produzir um resumo unificado. A saída máxima de 128K também o torna adequado para gerar relatórios abrangentes, projetos de software completos ou conteúdo narrativo extenso que seriam truncados por modelos com limites de saída menores. Casos de uso que exigem alta capacidade de raciocínio, como problemas de matemática de múltiplas etapas ou lógica, também se beneficiam das pontuações de benchmark.
Se sua tarefa envolve entradas e saídas curtas (por exemplo, conversas de chatbot com menos de 4 mil tokens, classificação simples ou traduções breves), um modelo menor como o GPT-4o mini ou GPT-4o da OpenAI pode ser mais econômico e rápido. Além disso, se a tarefa não exigir a profundidade de raciocínio medida pelo GPQA Diamond, um modelo mais barato pode alcançar resultados aceitáveis a um custo menor. Como os preços deste modelo no OrcaRouter não estão disponíveis publicamente, é provável que o custo por token seja maior do que o de modelos menores. Avalie se o contexto estendido e o tamanho da saída são necessários; caso contrário, um modelo mais leve reduzirá tanto o custo monetário quanto a latência.
O modelo lida nativamente com entradas de texto, imagem e arquivo dentro da mesma janela de contexto. Isso significa que você pode enviar uma solicitação que inclui um prompt de texto, algumas imagens (por exemplo, fotografias, diagramas) e arquivos anexados (por exemplo, PDFs, planilhas) como parte da matriz de mensagens. O modelo raciocinará em todas as modalidades. Por exemplo, você pode pedir que ele compare um diagrama em uma imagem com dados em um arquivo CSV e produza uma análise textual. Observe que o processamento de imagens e arquivos consome tokens da janela de contexto; uma imagem grande pode usar milhares de tokens, portanto, planeje suas solicitações de acordo para permanecer dentro de 1,050,000 tokens.
A modalidade de entrada de arquivos abrange formatos comuns de documentos, como PDF, Word, Excel, PowerPoint, arquivos de texto e possivelmente formatos de imagem além das imagens típicas da web. Embora os tipos MIME exatos dos arquivos não sejam especificados nos fatos fornecidos, o OrcaRouter provavelmente suporta o mesmo intervalo que os endpoints de arquivos da OpenAI. Para melhores resultados, use arquivos baseados em texto (PDF, TXT, código), pois as imagens são tratadas separadamente por meio da modalidade de imagem. O modelo pode extrair texto de arquivos e incorporá-lo em seu raciocínio. Se você precisar analisar uma imagem incorporada em um arquivo (por exemplo, um PDF com figuras), é melhor extrair a imagem separadamente e enviá-la pela entrada de imagem.
GPQA Diamond é um benchmark que consiste em perguntas de múltipla escolha de nível de pós-graduação em biologia, física e química. Uma pontuação de 92.0 indica que o modelo respondeu corretamente a 92% dessas perguntas. Este é um resultado forte, sugerindo que o modelo possui raciocínio profundo e conhecimento específico de domínio. No entanto, as pontuações do benchmark não garantem um desempenho perfeito em todos os cenários do mundo real. O modelo ainda pode produzir erros em tarefas sutis ou tópicos fora de sua distribuição de treinamento. Esta pontuação é uma métrica comparativa: mostra que este modelo supera muitos modelos anteriores neste teste específico, mas para aplicações de alto risco específicas de domínio, sempre valide as saídas.
Os pontos fortes incluem a capacidade de processar contextos muito longos, lidar com múltiplas modalidades e produzir saídas extensas. A alta pontuação no GPQA Diamond indica um raciocínio forte. Limitações: como em todos os LLMs, pode gerar informações plausíveis, mas incorretas (alucinação). A grande janela de contexto significa que, se um usuário fornecer informações conflitantes ou irrelevantes dentro do contexto, o modelo pode ter dificuldade em se concentrar nas partes importantes. Além disso, como o modelo é grande, a latência de inferência pode ser maior do que a de modelos menores. A saída máxima do modelo de 128.000 tokens é generosa, mas ainda finita; gerações extremamente longas podem ser truncadas se a saída exceder esse limite. Nenhum dado de latência ou velocidade é fornecido publicamente.
O único benchmark específico fornecido é GPQA Diamond com 92.0. Para comparação, modelos anteriores da OpenAI como GPT-4 (agosto de 2023) obtiveram cerca de 38.0 no GPQA (o nível mais alto de Diamond). O GPT-4o (maio de 2024) obteve aproximadamente 75-80 no GPQA Diamond (publicamente conhecido). Portanto, este modelo mostra melhoria. Para outros benchmarks como MMLU, HumanEval, etc., nenhum dado é fornecido; os usuários devem assumir desempenho forte típico esperado de um modelo emblemático da OpenAI. O principal diferencial é o tamanho do contexto e da saída: GPT-4o tem contexto de 128K e saída de 16K, enquanto este modelo tem contexto de 1.05M e saída de 128K. Portanto, para documentos muito longos, este modelo é a melhor escolha.
Nenhum benchmark multimodal (por exemplo, sobre legendagem de imagens ou resposta a perguntas visuais) está incluído nos fatos fornecidos. No entanto, dado que o modelo suporta entradas de imagem e arquivo, é razoável assumir que ele tenha um bom desempenho em tarefas padrão de visão-linguagem, provavelmente comparável ou superior às capacidades de visão do GPT-4o. Usuários interessados em precisão multimodal específica devem testar o modelo em seus próprios conjuntos de dados. A pontuação GPQA Diamond (somente texto) fornece uma linha de base para raciocínio, mas não cobre raciocínio visual. Para tarefas que exigem leitura de texto a partir de imagens, o modelo usa reconhecimento óptico de caracteres internamente, mas nenhum número separado de precisão de OCR é fornecido.
O preço do openai/gpt-5.4-2026-03-05 no OrcaRouter não é divulgado publicamente nas informações disponíveis. Normalmente, modelos com janelas de contexto muito grandes e limites altos de saída têm um preço por token mais elevado devido aos recursos computacionais necessários. Para preços atuais, consulte o painel do OrcaRouter ou entre em contato com o suporte. Ao fazer o orçamento, considere que o alto limite máximo de saída (128 mil tokens) pode gerar contas maiores por solicitação. Algumas plataformas oferecem descontos por cache para prompts repetidos; verifique a documentação do OrcaRouter para detalhes. Para cargas de trabalho sensíveis a custos, avalie se modelos menores podem obter resultados aceitáveis para parte do pipeline.
OrcaRouter pode oferecer mecanismos de cache onde prompts repetidos em várias solicitações são armazenados temporariamente para reduzir custos. Isso é comum entre muitos provedores de API. Para um modelo com contexto de 1.05M, o cache pode ser especialmente benéfico se você frequentemente usa o mesmo prompt de sistema ou um grande documento estático. No entanto, as políticas específicas de cache para este modelo não são detalhadas nos fatos fornecidos. Você provavelmente pode ativar o cache definindo cabeçalhos apropriados ou usando os recursos internos do OrcaRouter. Sem cache, cada solicitação processa o contexto completo, então os custos escalam linearmente com o comprimento da entrada. Para otimizar, pré-processe as entradas removendo conteúdo irrelevante antes de enviá-las.
Nenhum número de precificação é fornecido para nenhum modelo nos fatos. Como nota geral, modelos com contextos maiores e datas de lançamento mais recentes tendem a ser mais caros que modelos anteriores. O GPT-4o, que tem um contexto de 128K e saída de 16K, provavelmente seria mais barato que este modelo. Para requisições curtas frequentes, o custo menor do GPT-4o pode ser mais econômico. Para tarefas com documentos longos, a janela de contexto do GPT-4o pode ser insuficiente, forçando divisão em partes e múltiplas chamadas; nesse caso, o custo por token mais alto deste modelo pode na verdade ser mais baixo no geral porque evita processamento extra. Os usuários devem fazer suas próprias estimativas de custo com base nos padrões reais de uso.
Defina a URL base como https://api.orcarouter.ai/v1 e use o ID do modelo "openai/gpt-5.4-2026-03-05" no corpo da requisição. A API é totalmente compatível com o cliente Python da OpenAI, curl ou qualquer cliente HTTP que suporte o endpoint de chat completions. Exemplo com a biblioteca openai em 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 ) ``` Todos os parâmetros padrão são suportados. Lembre-se de substituir YOUR_KEY por uma chave de API do OrcaRouter.
Os parâmetros mínimos necessários são "model" (string, deve ser "openai/gpt-5.4-2026-03-05") e "messages" (array de objetos de mensagem). Cada objeto de mensagem requer um "role" (system, user ou assistant) e "content". Para entrada multimodal, o content pode ser um array de partes de conteúdo (text, image_url ou file). O modelo também suporta um parâmetro "max_tokens" (inteiro até 128.000). Se omitido, o modelo pode gerar até a condição de parada. Outros parâmetros opcionais incluem temperature, top_p, frequency_penalty, presence_penalty, stop e stream. Todos seguem a especificação OpenAI Chat Completions.
A migração envolve alterar a URL base e possivelmente atualizar a chave da API. Se o seu código atualmente usa o cliente Python da OpenAI com a URL base padrão (api.openai.com), você só precisa instanciar o cliente com base_url="https://api.orcarouter.ai/v1" e sua chave da API do OrcaRouter. O ID do modelo muda do nome do modelo OpenAI (por exemplo, "gpt-5.4-2026-03-05") para "openai/gpt-5.4-2026-03-05" (observe o prefixo do provedor). Todos os outros parâmetros permanecem os mesmos. Teste primeiro com uma solicitação simples. Este modelo pode ter um comportamento ligeiramente diferente do mesmo modelo quando acessado diretamente através da OpenAI, mas deve ser funcionalmente idêntico para a maioria dos casos de uso.
O GPT-4o (especificamente a versão gpt-4o-2024-08-06) possui uma janela de contexto de 128.000 tokens e uma saída máxima de 16.384 tokens. Em contraste, o openai/gpt-5.4-2026-03-05 oferece uma janela de contexto de 1,050,000 tokens (cerca de 8,2 vezes maior) e uma saída máxima de 128.000 tokens (cerca de 7,8 vezes maior). Isso torna o modelo mais novo muito mais adequado para tarefas que envolvem livros inteiros, bases de código massivas ou longos históricos de conversa, e para gerar saídas extensas como relatórios completos. No entanto, o GPT-4o pode ter inferência mais rápida e custo menor. Em termos de benchmarks, a pontuação GPQA Diamond do GPT-4o é menor (aprox. 80) em comparação com 92,0, indicando melhor raciocínio em questões de nível de pós-graduação. Para tarefas que se encaixam no contexto do GPT-4o, ele continua sendo uma alternativa forte.
GPT-4 Turbo (gpt-4-turbo-2024-04-09) possui uma janela de contexto de 128.000 tokens e uma saída máxima de 4.096 tokens. Sua pontuação GPQA Diamond é significativamente menor (cerca de 38). Portanto, o modelo 5.4 o supera tanto em contexto, saída quanto em raciocínio. Como o GPT-4 Turbo é mais antigo, ele ainda pode ser usado para tarefas curtas de baixo custo, mas para qualquer carga de trabalho de contexto longo ou alto raciocínio, este modelo é superior. O modelo mais novo também suporta entradas de imagem e arquivo nativamente, enquanto as capacidades de visão do GPT-4 Turbo foram introduzidas posteriormente e não são tão integradas.
A OrcaRouter provavelmente oferece outros modelos da OpenAI (por exemplo, openai/gpt-4o, openai/gpt-4-turbo), bem como modelos de outros provedores. Se você precisar de uma janela de contexto maior que 128K tokens, mas menor que 1.05M, pode considerar modelos como o Claude 3.5 Sonnet da Anthropic (contexto de 200K) ou o Gemini 1.5 Pro do Google (contexto de 1M). A escolha depende dos seus requisitos específicos de raciocínio, suporte multimodal e comprimento da saída. Este modelo se destaca por sua combinação de um contexto muito grande e alta pontuação de raciocínio. Para obter melhores resultados, teste seu caso de uso específico com uma solicitação de amostra através da API da OrcaRouter para comparar a qualidade da saída entre os modelos.
Compatível com OpenAI — mantenha seu 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| Nível | Entrada / 1M tokens | Saída / 1M tokens | Leitura de cache / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| Nível selecionado pela contagem de tokens de entrada de cada solicitação | |||
Estimativa com base no preço de tabela
Preços por níveis — esta estimativa usa as tarifas do nível base.
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
GET /api/public/models/openai/gpt-5.4-2026-03-05Abrir @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