GPT-5-Nano เป็นรุ่นที่เล็กและเร็วที่สุดในระบบ GPT-5 ซึ่งถูกปรับให้เหมาะสมสำหรับเครื่องมือของนักพัฒนา การโต้ตอบที่รวดเร็ว และสภาพแวดล้อมที่มีความหน่วงต่ำเป็นพิเศษ แม้จะถูกจำกัดในด้านความลึกของการให้เหตุผลเมื่อเทียบกับรุ่นที่ใหญ่กว่า...
GPT-5 Nano เป็นโมเดลขนาดเล็กในตระกูล GPT-5 ของ OpenAI ที่ถูกปรับให้เหมาะสมสำหรับการอนุมานต้นทุนต่ำ ในขณะที่ยังคงรักษาหน้าต่างบริบทขนาดใหญ่ถึง 400,000 โทเค็น และผลลัพธ์สูงสุด 128,000 โทเค็น…
GPT-5 Nano รองรับสามรูปแบบอินพุต: ข้อความ รูปภาพ และไฟล์ อินพุตแบบข้อความนั้นตรงไปตรงมา อินพุตแบบรูปภาพช่วยให้โมเดลประมวลผลข้อมูลภาพ (เช่น แผนภาพ ภาพหน้าจอ) และตอบคำถามเกี่ยวกับภาพเหล่านั้น อินพุตแบบไฟล์ช่วยให้คุณแนบไฟล์ PDF เอกสาร Word หรือประเภทไฟล์อื่นๆ สำหรับการวิเคราะห์ระดับเอกสาร สามารถรวมทุกรูปแบบไว้ในคำขอเดียว โมเดลจะประมวลผลอินพุตเหล่านี้ภายในหน้าต่างบริบท 400,000 โทเคน โปรดทราบว่าโทเคนรูปภาพจะถูกดึงมาจากงบประมาณบริบท รูปภาพความละเอียดสูงอาจใช้หลายพันโทเคน การรองรับหลายรูปแบบนี้ทำให้ GPT-5 Nano เหมาะสำหรับงานต่างๆ เช่น การอ่านกราฟ การแยกข้อมูลจากฟอร์ม และการวิเคราะห์สื่อผสม
โมเดลรองรับหน้าต่างบริบทขนาด 400,000 โทเค็น (รวมทั้งโทเค็นอินพุตและเอาต์พุต) และเอาต์พุตสูงสุด 128,000 โทเค็น ทำให้สามารถประมวลผลเอกสารที่ยาวมาก เช่น ข้อความขนาดหนังสือหรือรายงานหลายหน้า ในคำขอเดียว ขีดจำกัดเอาต์พุตที่กว้างขวางหมายความว่าโมเดลสามารถสร้างคำตอบที่ยาว เช่น สรุปแบบเต็มหรือการวิเคราะห์ขยายความ อย่างไรก็ตาม เอาต์พุตขนาดใหญ่ยังทำให้เกิดต้นทุนโทเค็นเอาต์พุตที่สูงขึ้นที่ $0.40 ต่อ 1 ล้านโทเค็น นักพัฒนาควรพิจารณาการตั้งค่าพารามิเตอร์ max_tokens อย่างเหมาะสมเพื่อหลีกเลี่ยงการเพิ่มขึ้นของต้นทุนโดยไม่ตั้งใจ
ด้วยความสามารถที่โดดเด่นในด้านคณิตศาสตร์ (AA Math 83.7) โมเดลนี้มีประสิทธิภาพสูงในการแก้โจทย์ปัญหาคำศัพท์ทางคณิตศาสตร์ การสอนคณิตศาสตร์ และการให้เหตุผลเชิงปริมาณ ความสามารถแบบมัลติโมดัลทำให้มีประโยชน์ในการตีความใบงานคณิตศาสตร์ที่สแกนมา ไดอะแกรม หรือแผนภูมิ ราคาที่ต่ำรองรับการใช้งานในปริมาณมาก เช่น การสนับสนุนลูกค้าอัตโนมัติ การจัดหมวดหมู่เนื้อหา และการสกัดข้อมูลแบบเรียลไทม์จากไฟล์ สำหรับการสร้างข้อความแบบง่าย (เช่น ร่างอีเมลสั้น สรุปแบบหัวข้อย่อย) GPT-5 Nano เป็นทางเลือกที่คุ้มต้นทุนเมื่อเทียบกับโมเดลขนาดใหญ่ แต่ไม่เหมาะสำหรับการเล่าเรื่องเชิงสร้างสรรค์ การสร้างโค้ด หรืองานที่ต้องใช้การจดจำข้อมูลเชิงลึก
หากงานของคุณเป็นงานที่ง่ายมาก (เช่น การจำแนกคำเดียว คำถามใช่/ไม่ใช่) และไม่ต้องการบริบทขนาดใหญ่หรือการสนับสนุนแบบมัลติโมดัล แม้แต่โมเดลขนาดเล็กหรือราคาถูกกว่าเช่น GPT-3.5 Turbo ของ OpenAI ก็อาจเพียงพอ ราคาของ GPT-5 Nano นั้นต่ำอยู่แล้ว แต่สำหรับงานที่เกี่ยวข้องกับอินพุตและเอาต์พุตสั้น ๆ (เช่น โทเค็นละไม่กี่ตัว) โมเดลที่มีราคาต่อโทเค็นต่ำกว่าก็สามารถลดต้นทุนได้อีก นอกจากนี้ หากคุณไม่ต้องการบริบท 400k โมเดลที่มีบริบทเล็กกว่าแต่ค่าใช้จ่ายคงที่ต่ำกว่าอาจประหยัดกว่า ควรวัดประสิทธิภาพบนข้อมูลของคุณเสมอเพื่อหาจุดสมดุลระหว่างต้นทุนและประสิทธิภาพที่ดีที่สุด
GPT-5 Nano ทำคะแนนได้ 83.7 ในการทดสอบ AA Math ซึ่งเป็นเกณฑ์มาตรฐานที่ใช้วัดความสามารถในการแก้ปัญหาเลขคณิตและโจทย์ปัญหาคณิตศาสตร์ระดับชั้นประถมศึกษา คะแนนนี้บ่งชี้ถึงประสิทธิภาพที่แข็งแกร่งสำหรับงานดังกล่าวเมื่อเทียบกับขนาดโมเดล AA Math ประกอบด้วย การบวก การลบ การคูณ การหาร และโจทย์ปัญหาหลายขั้นตอน ผลลัพธ์ 83.7 ชี้ให้เห็นว่าโมเดลสามารถจัดการกับคำถามคณิตศาสตร์ทั่วไปได้อย่างแม่นยำหลายข้อ แต่อาจยังมีข้อผิดพลาดในปัญหาที่ซับซ้อนหรือหลายขั้นตอน ไม่มีการรายงานคะแนนจากเกณฑ์มาตรฐานอื่นสำหรับโมเดลนี้ ดังนั้นจึงไม่สามารถเปรียบเทียบในด้านการเขียนโค้ด ความรู้ทั่วไป หรือการใช้เหตุผลได้
ไม่มีตัวเลขความหน่วงที่เฉพาะเจาะจงสำหรับ GPT-5 Nano อย่างไรก็ตาม ในฐานะที่เป็นโมเดลขนาดเล็ก โดยทั่วไปคาดว่าจะเร็วกว่าต่อหนึ่งโทเค็นเมื่อเทียบกับโมเดลขนาดใหญ่เช่น GPT-4o OrcaRouter ให้บริการโมเดลผ่าน API ที่เข้ากันได้กับ OpenAI และความหน่วงของเครือข่ายขึ้นอยู่กับตำแหน่งของผู้ใช้และโครงสร้างพื้นฐานของผู้ให้บริการ สำหรับแอปพลิเคชันแบบเรียลไทม์ แนะนำให้ทดสอบความหน่วงด้วยอินพุตที่เป็นตัวแทน จำนวนพารามิเตอร์ที่น้อยของโมเดลโดยทั่วไปทำให้มีปริมาณงานที่สูงขึ้นบนฮาร์ดแวร์เดียวกัน ซึ่งสามารถลดระยะเวลารอคอยในสภาพแวดล้อมการผลิต โดยเฉพาะอย่างยิ่งภายใต้การทำงานพร้อมกันสูง
จากคะแนน AA Math ที่ 83.7 GPT-5 Nano มีความแข็งแกร่งด้านการให้เหตุผลทางคณิตศาสตร์และเลขคณิต ทำให้เหมาะสำหรับเครื่องมือทางการศึกษา การวิเคราะห์ข้อมูล และงานใดๆ ที่เกี่ยวข้องกับการประมวลผลเชิงตัวเลขที่มีโครงสร้าง ความสามารถในการจัดการกับรูปภาพและไฟล์ยังช่วยสนับสนุนปัญหาคณิตศาสตร์ที่เน้นเอกสารอีกด้วย จุดอ่อนรวมถึงการไม่มีเกณฑ์มาตรฐานในโดเมนอื่น เช่น การเขียนโค้ด (HumanEval) ความรู้ทั่วไป (MMLU) หรือความคล่องแคล่วในการสนทนา ผู้ใช้ไม่ควรถือว่าผลงานในงานที่ไม่ใช่คณิตศาสตร์จะเท่าเทียมกัน โมเดลอาจมีความสามารถน้อยกว่าในการเข้าใจบริบทที่ละเอียดอ่อนหรือสร้างเนื้อหาเชิงสร้างสรรค์แบบยาว
หากไม่มีเกณฑ์มาตรฐานด้านการใช้เหตุผล การเขียนโปรแกรม หรือสามัญสำนึก ความฉลาดทั่วไปของ GPT-5 Nano ก็ไม่สามารถวัดได้ คะแนน AA Math ที่ 83.7 แม้จะน่านับถือ แต่ก็ไม่รับประกันความชำนาญในด้านอื่น โมเดลมีขนาดเล็ก ดังนั้นจึงอาจเกิดข้อผิดพลาดเชิงข้อเท็จจริงมากขึ้น หรือให้ผลลัพธ์ที่ไม่สอดคล้องกันในหัวข้อที่คลุมเครือเมื่อเทียบกับโมเดลที่ใหญ่กว่า หน้าต่างบริบท 400k นั้นใหญ่ แต่การใช้บริบทดังกล่าวอย่างมีประสิทธิภาพอาจต้องอาศัยการออกแบบพรอมต์อย่างระมัดระวัง การไม่มีอัตราความเร็วที่ระบุหมายถึงความหน่วงในโลกจริงควรได้รับการตรวจสอบ ผู้ใช้ควรทำการประเมินของตนเองบนเมตริกเฉพาะงานก่อนการปรับใช้
GPT-5 Nano มีราคาอยู่ที่ $0.05 ต่อ 1 ล้าน input tokens และ $0.40 ต่อ 1 ล้าน output tokens อัตราเหล่านี้กำหนดโดย OpenAI และส่งผ่านโดย OrcaRouter โดยไม่มีส่วนเพิ่ม (zero markup) Input tokens รวมถึง prompt และ tokens ของรูปภาพหรือไฟล์ใดๆ Output tokens คือการตอบกลับที่สร้างขึ้น ทั้งสองทิศทางจะคิดค่าบริการตามจำนวน token สำหรับ prompt ทั่วไป 1,000 tokens และ response 500 tokens ต้นทุนจะอยู่ที่ประมาณ $0.00005 (input) + $0.0002 (output) = $0.00025 ต่อคำขอ นี่ถือว่ามีการแข่งขันสำหรับโมเดลที่มี context window 400k และ output 128k
แม้ว่า GPT-5 Nano จะมีราคาถูก แต่โทเค็นเอาต์พุตมีราคาสูงกว่าโทเค็นอินพุตถึงแปดเท่า ($0.40 เทียบกับ $0.05 ต่อ 1M) สำหรับแอปพลิเคชันที่สร้างการตอบกลับยาว (เช่น โทเค็นเอาต์พุต 10k+) ต้นทุนเอาต์พุตอาจเป็นส่วนใหญ่ นักพัฒนาควรจำกัด max_tokens ให้เหลือเท่าที่จำเป็นขั้นต่ำ โทเค็นอินพุตจากรูปภาพและไฟล์จะถูกเรียกเก็บในอัตราอินพุตเดียวกัน แต่รูปภาพความละเอียดสูงใช้โทเค็นจำนวนมาก (เช่น รูปภาพขนาด 1 เมกะพิกเซลอาจใช้ ~2,000 โทเค็น) การใช้ความละเอียดต่ำลงหรือลดจำนวนรูปภาพสามารถลดต้นทุนได้ หน้าต่างบริบทขนาดใหญ่ส่งเสริมให้ใช้พรอมต์ยาว แต่ทุกโทเค็นที่เพิ่มขึ้นจะเพิ่มต้นทุน สร้างสมดุลระหว่างขนาดบริบทกับงบประมาณโทเค็น
OrcaRouter ส่งผ่านราคาของ OpenAI โดยไม่มีส่วนเพิ่ม แต่แนวนโยบายการแคชถูกกำหนดโดย OpenAI ผู้ให้บริการอาจเสนอการแคชสำหรับคำนำหน้าอินพุตที่ซ้ำกันเหมือนกัน ซึ่งจะช่วยลดค่าใช้จ่ายของโทเค็นอินพุต อย่างไรก็ตาม ไม่มีการระบุรายละเอียดเฉพาะเกี่ยวกับการแคชสำหรับ GPT-5 Nano นักพัฒนาควรตรวจสอบเอกสารของ OpenAI เพื่อดูนโยบายการแคชของพวกเขา OrcaRouter ไม่เพิ่มเลเยอร์แคชของตัวเอง มันทำหน้าที่เป็นเกตเวย์โปร่งใส หากมีการแคช มันสามารถลดต้นทุนสำหรับแอปพลิเคชันที่มีพรอมต์ซ้ำๆ เช่น การสนับสนุนลูกค้าอัตโนมัติหรือการสร้างตามเทมเพลตได้อย่างมาก
ในการใช้ GPT-5 Nano ให้ตั้งค่า base URL เป็น https://api.orcarouter.ai/v1 และระบุ model ID เป็น "openai/gpt-5-nano" ในคำขอ API ของคุณ ปลายทางนี้เข้ากันได้กับ OpenAI ดังนั้นคุณสามารถใช้ OpenAI SDK หรือ HTTP client ใดก็ได้ คำขอทั่วไปประกอบด้วยพารามิเตอร์เช่น messages, max_tokens, temperature และ stop sequences OrcaRouter จะส่งต่อคำขอไปยัง OpenAI และส่งคืนการตอบกลับโดยไม่มีการประมวลผลเพิ่มเติม การยืนยันตัวตนทำผ่าน API key ที่ OrcaRouter ให้มา ซึ่งทำให้การย้ายระบบเป็นเรื่องง่ายสำหรับผู้ใช้ที่ใช้ API ของ OpenAI อยู่แล้ว: เพียงแค่เปลี่ยน base URL, model ID และ API key
พารามิเตอร์การสนทนาแบบสมบูรณ์ของ OpenAI ทั้งหมดรองรับผ่านพร็อกซีของ OrcaRouter – ตัวอย่างเช่น messages (พร้อมบทบาท: system, user, assistant), max_tokens, temperature, top_p, frequency_penalty, presence_penalty, stop, และ stream สำหรับอินพุตแบบมัลติโมดัล คุณสามารถรวมฟิลด์ image_url หรือ file_type ใน content array โมเดลยังรองรับการเรียกใช้ฟังก์ชันและเครื่องมือ แม้ว่าสิ่งเหล่านี้จะไม่ได้ระบุรายละเอียดในข้อเท็จจริงที่ให้มา พารามิเตอร์เช่น n (จำนวนการสนทนา) และ logprobs อาจมีให้ใช้เช่นกัน ดูเอกสาร API ของ OpenAI สำหรับรายการทั้งหมด OrcaRouter ไม่ได้ปรับเปลี่ยนหรือจำกัดพารามิเตอร์
การโยกย้ายไปยัง GPT-5 Nano ทำได้ง่าย หากคุณใช้ API ของ OpenAI อยู่ ให้เปลี่ยน Base URL เป็น https://api.orcarouter.ai/v1 เปลี่ยนคีย์ API ของคุณเป็นคีย์ของ OrcaRouter และตั้งโมเดลเป็น "openai/gpt-5-nano" รูปแบบคำขอจะเหมือนเดิม คุณอาจต้องปรับ temperature และ max_tokens ให้เหมาะสมกับโมเดลที่มีขนาดเล็กกว่า ทดสอบกับชุดย่อยของพรอมต์ของคุณเพื่อประเมินคุณภาพของเอาต์พุต เนื่องจาก GPT-5 Nano มีจำนวนพารามิเตอร์ที่น้อยกว่า อาจตอบสนองต่อคำแนะนำต่างออกไป การปรับพรอมต์อาจจำเป็น OrcaRouter ไม่มีส่วนเพิ่มค่าบริการ ดังนั้นการเปรียบเทียบต้นทุนจึงตรงไปตรงมา
GPT-4o เป็นโมเดลที่ใหญ่กว่าและมีความสามารถมากกว่า โดยมีคะแนนมาตรฐานสูงกว่าในหลายโดเมน (เช่น MMLU, HumanEval) แต่มีราคาสูงกว่าเช่นกัน GPT-5 Nano ได้รับการปรับให้เหมาะสมสำหรับต้นทุนและความเร็ว หน้าต่างบริบทของ GPT-4o ปัจจุบันเล็กกว่า (128k tokens) เมื่อเทียบกับ 400k tokens ของ GPT-5 Nano ถึงแม้ว่า GPT-4o จะให้การให้เหตุผลและความคิดสร้างสรรค์ที่แข็งแกร่งกว่า สำหรับงานที่ต้องใช้บริบทขนาดใหญ่หรือเน้นปัญหาเลขคณิต GPT-5 Nano อาจเหมาะสมกว่า สำหรับการเขียนโค้ดที่ซับซ้อน การสนทนาที่ละเอียดอ่อน หรืองานที่ต้องการความแม่นยำสูง GPT-4o น่าจะเหนือกว่า การเลือกขึ้นอยู่กับงบประมาณและข้อกำหนดด้านประสิทธิภาพของคุณ
GPT-3.5 Turbo เป็นโมเดลขนาดเล็กที่เก่ากว่า ซึ่งมีราคาเทียบเคียงได้ แต่มีหน้าต่างบริบทที่เล็กกว่ามาก (16k โทเคน) และไม่รองรับมัลติโมดัล GPT-5 Nano มีหน้าต่างบริบท 400k, เอาต์พุต 128k และอินพุตรูปภาพ/ไฟล์ ทำให้มีความสามารถที่เหนือกว่าสำหรับงานเอกสารยาวและงานแบบมัลติโมดัล อย่างไรก็ตาม GPT-3.5 Turbo อาจเพียงพอสำหรับการโต้ตอบแบบข้อความสั้นๆ และอาจมีความหน่วงต่ำกว่าเนื่องจากจัดการบริบทที่เล็กกว่า การเปรียบเทียบ benchmark ไม่มีให้เห็น แต่คะแนน AA Math ที่ 83.7 ของ GPT-5 Nano บ่งบอกถึงความสามารถด้านคณิตศาสตร์ที่ดีกว่า สำหรับงานข้อความสั้นล้วนๆ GPT-3.5 Turbo ยังคงเป็นตัวเลือกที่คุ้มค่า
GPT-4o Mini เป็นรุ่นย่อยที่เล็กกว่าของ GPT-4o ซึ่งรองรับมัลติโมดัลในลักษณะเดียวกันและมีหน้าต่างบริบทขนาด 128k โทเคน GPT-5 Nano มีบริบทมากกว่าสามเท่า (400k โทเคน) และขีดจำกัดเอาต์พุตที่ใหญ่กว่า (128k เทียบกับ 16k ของ GPT-4o Mini) ราคาของ GPT-4o Mini (โดยทั่วไป $0.15/M อินพุต, $0.60/M เอาต์พุต) สูงกว่า GPT-5 Nano ที่ $0.05/$0.40 อย่างไรก็ตาม GPT-4o Mini น่าจะมีความเป็นเลิศในการใช้เหตุผลทั่วไปและการทำตามคำแนะนำ เนื่องจากเป็นเวอร์ชันที่ถูกกลั่นจาก GPT-4o เกณฑ์มาตรฐานที่แข็งแกร่งเพียงหนึ่งเดียวของ GPT-5 Nano (AA Math) บ่งชี้ว่าโมเดลนี้เชี่ยวชาญด้านคณิตศาสตร์ เลือก GPT-5 Nano สำหรับงานที่เน้นคณิตศาสตร์ที่มีบริบทขนาดใหญ่ เลือก GPT-4o Mini สำหรับความสามารถที่กว้างขวางกว่า
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="openai/gpt-5-nano",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| อินพุต / 1M โทเค็น | $0.050 |
|---|---|
| เอาต์พุต / 1M โทเค็น | $0.400 |
| อ่านแคช / 1M | $0.0050 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
เปรียบเทียบค่าใช้จ่ายรายเดือนของโมเดลต่าง ๆ ในเครื่องคำนวณค่าใช้จ่าย LLM
สิ่งที่นักพัฒนาพูดถึงในสัปดาห์นี้
GET /api/public/models/openai/gpt-5-nanoเปิด @misc{orcarouter_gpt_5_nano,
title = {GPT-5 Nano API},
author = {OpenAI},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5-nano}
}OpenAI. (2025). GPT-5 Nano API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5-nano