OpenAI GPT-5 Nano: 400K บริบท, 83.7 AA Math, การป้อนข้อความ/รูปภาพ/ไฟล์, $0.05/M โทเคนนำเข้าผ่าน OrcaRouter
OpenAI GPT-5 Nano (รุ่นวันที่ 2025-08-07) เป็นสมาชิกที่มีขนาดเล็กกว่าและปรับต้นทุนให้เหมาะสมของตระกูล GPT-5 มีหน้าต่างบริบท 400,000 โทเคน…
GPT-5 Nano รองรับการป้อนข้อมูลข้อความ รูปภาพ และไฟล์ ทำให้สามารถใช้เหตุผลกับรูปแบบที่ผสมผสานกันได้ บริบทที่มีความจุ 400,000 โทเค็นสามารถบรรจุข้อความหลายร้อยหน้า พร้อมด้วยรูปภาพที่ฝังไว้หรือไฟล์แนบเอกสาร โมเดลสามารถสร้างผลลัพธ์ได้สูงสุดถึง 128,000 โทเค็นในการตอบกลับครั้งเดียว เหมาะสำหรับผลลัพธ์เชิงวิเคราะห์ที่ยาว การสร้างโค้ด หรือการพิสูจน์ทางคณิตศาสตร์หลายขั้นตอน คะแนน AA Math ที่ 83.7 แสดงให้เห็นถึงความสามารถในการคิดเลขและเหตุผลเชิงตรรกะที่แข็งแกร่ง กรณีการใช้งานทั่วไป ได้แก่ การสรุปเอกสารยาว การใส่คำอธิบายประกอบรูปภาพเป็นข้อความ การดึงข้อมูลจากไฟล์ และการแก้ปัญหาทางการศึกษาที่ต้องเข้าใจทั้งแผนภูมิและบริบทของข้อความ
กรณีการใช้งานที่ดีที่สุดใช้ประโยชน์จากบริบทขนาดใหญ่และอินพุตหลายรูปแบบของโมเดล โดยไม่ต้องการประสิทธิภาพสูงสุดของเกณฑ์มาตรฐาน ตัวอย่าง: การประมวลผลสัญญาทางกฎหมาย 300 หน้ารวมทั้งเอกสารแนบ (ภาพลายเซ็น ตาราง) เพื่อแยกภาระผูกพัน อีกตัวอย่าง: การวิเคราะห์เอกสารวิจัยยาวที่มีรูปภาพ จากนั้นเขียนบทวิจารณ์ยาว 10,000 คำ ในด้านการศึกษา GPT-5 Nano สามารถทำงานผ่านโจทย์คณิตศาสตร์ที่ซับซ้อนทีละขั้น โดยใช้ภาพสมการที่เขียนด้วยมือ สำหรับท่อข้อมูล (data pipelines) มันสามารถรับไฟล์ PDF และรูปภาพ และส่งออกข้อมูลที่มีโครงสร้าง งานเหล่านี้ได้รับประโยชน์จากต้นทุนอินพุตที่ต่ำ ($0.05/ล้านโทเคน) และความสามารถในการจัดการไฟล์โดยตรง
หากแอปพลิเคชันของคุณไม่จำเป็นต้องใช้บริบทมากกว่า 8,000 โทเค็น และไม่ต้องป้อนรูปภาพหรือไฟล์ การใช้โมเดลที่เล็กกว่าและถูกกว่า (เช่น GPT-4 Mini ที่มีต้นทุนต่อโทเค็นต่ำกว่า) จะประหยัดกว่า ในทำนองเดียวกัน หากผลลัพธ์ของคุณสั้นมากเสมอ (เช่น การจำแนกประเภทแบบคำเดียว) การจ่าย $0.40 ต่อผลลัพธ์ 1M โทเค็นอาจสิ้นเปลือง — ลองพิจารณาโมเดลที่ปรับให้เหมาะสมสำหรับการจำแนกประเภทที่มีต้นทุนผลลัพธ์ต่ำกว่า GPT-5 Nano จะคุ้มค่าที่สุดเมื่อคุณต้องการหน้าต่างบริบท 400K หรือความสามารถหลายรูปแบบอย่างแท้จริง มิฉะนั้น โมเดลที่เรียบง่ายกว่าจะประหยัดเงิน
เกณฑ์มาตรฐาน AA Math ใช้ประเมินการใช้เหตุผลทางคณิตศาสตร์—การแก้ปัญหาเลขคณิต พีชคณิต และโจทย์ปัญหา คะแนน 83.7 บ่งชี้ว่า GPT-5 Nano แก้โจทย์ในเกณฑ์มาตรฐานนี้ได้ถูกต้อง 83.7% นี่เป็นผลงานที่แข็งแกร่งสำหรับโมเดล “nano” ซึ่งบ่งบอกว่าสามารถจัดการคณิตศาสตร์ระดับประถมศึกษาจนถึงมัธยมศึกษาตอนต้นได้อย่างน่าเชื่อถือ รวมถึงโจทย์หลายขั้นตอน เปรียบเทียบกับโมเดลขนาดใหญ่ที่อาจได้คะแนนมากกว่า 90 แต่มีต้นทุนต่อโทเค็นที่สูงกว่า คะแนนนี้ยืนยันว่าสำหรับการใช้เหตุผลทางคณิตศาสตร์ GPT-5 Nano มอบความสมดุลระหว่างต้นทุนกับความแม่นยำที่ดีสำหรับหลายแอปพลิเคชัน
ตัวเลขความหน่วง (Latency) สำหรับ GPT-5 Nano ไม่ได้ถูกเปิดเผยต่อสาธารณะโดย OpenAI ณ วันที่เผยแพร่ 2025-08-07 ในทางปฏิบัติ ความเร็วขึ้นอยู่กับปัจจัยต่างๆ เช่น จำนวนโทเค็นทั้งหมด ปริมาณคำขอ และโครงสร้างพื้นฐานของ OrcaRouter เนื่องจาก Nano เป็นโมเดลที่มีขนาดเล็กกว่าเมื่อเทียบกับรุ่นใหญ่ จึงมีแนวโน้มว่าความหน่วงต่อโทเค็นจะต่ำกว่า แต่ไม่มีตัวเลขที่แน่ชัด OrcaRouter จัดการคำขอแบบอะซิงโครนัสพร้อมการกำหนดค่า Timeout มาตรฐาน สำหรับแอปพลิเคชันแบบเรียลไทม์ที่ไวต่อความหน่วง เราขอแนะนำให้ทดสอบวัดประสิทธิภาพด้วย Payload ทั่วไปของคุณ (รวมถึงรูปภาพ/ไฟล์) ผ่าน OrcaRouter API เพื่อประเมินความเหมาะสม
จุดแข็ง: มีบริบทยาว (400K tokens), รองรับอินพุตหลายรูปแบบ (ข้อความ/รูปภาพ/ไฟล์), ความสามารถในการส่งออกขนาดใหญ่ (128K tokens), การใช้เหตุผลทางคณิตศาสตร์ที่แข็งแกร่ง (83.7 AA Math), และต้นทุนต่อ token ต่ำ ข้อจำกัด: ไม่ใช่โมเดลที่มีประสิทธิภาพสูงสุดในเกณฑ์มาตรฐานอื่นๆ (ไม่มีคะแนนสำหรับงานเขียนโค้ด การใช้เหตุผล หรือความรู้) จำนวนพารามิเตอร์ที่น้อยกว่ามักหมายความว่ามีปัญหาในการทำงานที่ต้องการความละเอียดอ่อนสูงหรือความคิดสร้างสรรค์ นอกจากนี้ ไม่รับประกันเวลาแฝง ไม่รองรับอินพุตเสียงหรือวิดีโอ คุณภาพผลลัพธ์อาจลดลงเมื่อสร้างข้อความยาวมากใกล้ขีดจำกัด 128K สำหรับงานที่ต้องการคะแนนที่ทันสมัยที่สุด ให้พิจารณาใช้โมเดล GPT‑5 ที่มีขนาดใหญ่กว่า
การกำหนดราคาขึ้นอยู่กับการใช้งานโทเค็น โดยคิดตามอัตราของผู้ให้บริการ OpenAI โดยไม่มีส่วนเพิ่มใดๆ โทเค็นขาเข้า: $0.05 ต่อ 1 ล้านโทเค็น โทเค็นขาออก: $0.40 ต่อ 1 ล้านโทเค็น OrcaRouter ส่งต่ออัตราเหล่านี้ตามจริง สำหรับการสนทนาทั่วไปที่ใช้โทเค็นขาเข้า 100,000 โทเค็น (รวมรูปภาพที่ถูกแปลงเป็นโทเค็นเป็นส่วนหนึ่งของข้อมูลขาเข้า) และโทเค็นขาออก 10,000 โทเค็น ต้นทุนจะเท่ากับ ($0.05 × 0.1) + ($0.40 × 0.01) = $0.005 + $0.004 = $0.009 (น้อยกว่าหนึ่งเซนต์) การเรียกเก็บเงินจะวัดในระดับโทเค็น คุณสามารถตั้งวงเงินการใช้จ่ายผ่านแดชบอร์ดของ OrcaRouter ได้
ข้อได้เปรียบหลักของ GPT-5 Nano คือต้นทุน input ที่ต่ำเมื่อเทียบกับขนาด context ตัวอย่างเช่น การประมวลผลเอกสารขนาด 400K token มีค่าใช้จ่าย input เพียง $0.02 (400K / 1M × $0.05) token output มีราคาต่อ token แพงกว่า ดังนั้นหากแอปพลิเคชันของคุณสร้างคำตอบที่ยาวมาก ต้นทุน output อาจเป็นส่วนหลัก ตัวอย่างเช่น output ขนาด 100K token มีค่าใช้จ่าย $0.04 (100K / 1M × $0.40) ประเมินอัตราส่วน input ต่อ output โดยเฉลี่ยของคุณ หาก output สั้นแต่ input มีขนาดใหญ่ Nano จะถูกมาก หาก output ใกล้เคียง 128K ให้พิจารณาว่ามีโมเดลที่มีอัตราค่า output ถูกกว่าสำหรับงานเฉพาะของคุณหรือไม่
OrcaRouter ไม่เปิดเผยกลไกการแคชเฉพาะสำหรับแต่ละโมเดล หลักปฏิบัติที่ดีที่สุดของ API มาตรฐานใช้บังคับ: นำคำตอบกลับมาใช้ใหม่ในระดับแอปพลิเคชันเมื่อเหมาะสม และลดการใช้โทเค็นที่ซ้ำซ้อน หมายเหตุว่าเนื่องจาก GPT-5 Nano รองรับการป้อนไฟล์และรูปภาพ (ซึ่งจะถูกแปลงเป็นโทเค็น) ไฟล์หรือรูปภาพที่ไม่ซ้ำกันแต่ละรายการจะนับเป็นโทเค็นอินพุตใหม่ การแคชเนื้อหาที่ถูกแปลงเป็นโทเค็นไม่ได้รับการสนับสนุนในระดับ API เพื่อปรับต้นทุนให้เหมาะสม คุณสามารถแคชส่วนข้อความของพรอมต์ของคุณ client‑side และหลีกเลี่ยงการส่งบริบทที่ยาวเหมือนกันซ้ำ หากคำตอบของโมเดลเป็นเชิงกำหนดและคุณควบคุม temperature=0
ใช้ปลายทาง API ที่เข้ากันได้กับ OpenAI: URL พื้นฐาน https://api.orcarouter.ai/v1, รหัสโมเดล "openai/gpt-5-nano-2025-08-07" ตัวอย่างด้วย curl: curl https://api.orcarouter.ai/v1/chat/completions \n -H "Authorization: Bearer YOUR_ORCAROUTER_API_KEY" \n -H "Content-Type: application/json" \n -d '{\n "model": "openai/gpt-5-nano-2025-08-07",\n "messages": [{"role": "user", "content": [{"type": "text", "text": "Solve this math problem."},{"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}}]}],\n "max_tokens": 512\n }'\n\nพารามิเตอร์มาตรฐานทั้งหมด (temperature, top_p, stop, frequency_penalty, ฯลฯ) รองรับ อินพุตไฟล์สามารถเป็นแบบเข้ารหัส base64 หรือแบบ URL
GPT-5 Nano รองรับพารามิเตอร์มาตรฐานของ chat completions: model (จำเป็น, ใช้ ID ที่แน่นอน), messages (อาร์เรย์ของ object ข้อความ), max_tokens (สูงสุด 128000), temperature (0–2, ค่าเริ่มต้น 1), top_p (0–1, ค่าเริ่มต้น 1), n (จำนวนคำตอบ, ค่าเริ่มต้น 1), stop (สตริงหรืออาร์เรย์), frequency_penalty, presence_penalty, user (ตัวระบุเฉพาะสำหรับการติดตาม), และ logit_bias สำหรับอินพุตรูปภาพและไฟล์ ให้ใช้ content objects ที่มี type เป็น "image_url" (สำหรับรูปภาพ) หรือ "file" (สำหรับไฟล์แนบ หากรองรับ—ตรวจสอบเอกสาร OrcaRouter) พารามิเตอร์เช่น tools, tool_choice, และ response_format จะสามารถใช้ได้เมื่อโมเดลรองรับ structured output
การย้ายระบบทำได้ง่าย เนื่องจาก OrcaRouter ใช้ schema ที่เข้ากันได้กับ OpenAI เหมือนกันทุกประการ เพียงเปลี่ยนสองอย่าง: 1) ตั้งค่า base URL เป็น https://api.orcarouter.ai/v1; 2) เปลี่ยนคีย์ API ของ OpenAI เป็นคีย์ API ของ OrcaRouter (รับได้จากแดชบอร์ด OrcaRouter) ส่วน request body อื่นๆ ให้คงไว้เหมือนเดิม รวมถึงรหัสโมเดลที่อยู่ในรูปแบบ "openai/gpt-5-nano-2025-08-07" OrcaRouter จัดการการกำหนดเส้นทางและการเรียกเก็บเงินให้เอง ไม่จำเป็นต้องเปลี่ยนแปลงโค้ดใดๆ นอกจาก endpoint และคีย์ ทดสอบด้วยคำขอเดียวเพื่อยืนยันการเชื่อมต่อและการนับการใช้งาน token
สำหรับการป้อนข้อมูลไฟล์ ให้รวมออบเจ็กต์เนื้อหาที่มีประเภทเป็น "file" และระบุข้อมูลไฟล์เป็น base64 encoding หรือ URL สาธารณะ OrcaRouter รองรับสคีมาเดียวกันกับ API ของ OpenAI ตัวอย่างเนื้อหาข้อความ: [{"type": "text", "text": "Summarize this PDF"}, {"type": "file", "file": {"url": "..."}}] ค่าใช้จ่ายในรูปแบบโทเค็นของไฟล์ขึ้นอยู่กับขนาดและความซับซ้อน (รูปภาพจะถูกนับเป็นโทเค็นอินพุตตามสัดส่วนความละเอียด) ตรวจสอบให้แน่ใจว่าคอนเท็กซ์ทั้งหมด (โทเค็นข้อความ+รูปภาพ+ไฟล์) อยู่ต่ำกว่า 400,000 สำหรับไฟล์ขนาดใหญ่มาก ควรพิจารณาแบ่งไฟล์ล่วงหน้าหรือใช้กลยุทธ์อื่น
GPT-5 Nano มีหน้าต่างบริบทที่ใหญ่กว่า (400K เทียบกับ 128K ทั่วไปของ GPT‑4 Mini) และรองรับอินพุตแบบหลายโมดัล (ข้อความ/ภาพ/ไฟล์ เทียบกับเฉพาะข้อความใน Mini หลายรุ่น) ต้นทุนต่ำกว่า: $0.05/$0.40 ต่อ M tokens เทียบกับอัตราของ GPT‑4 Mini ที่มักสูงกว่าสำหรับเอาต์พุต อย่างไรก็ตาม GPT‑4 Mini อาจให้การอนุมานที่เร็วกว่า (แม้ว่าจะไม่มีตัวเลข latency สำหรับทั้งคู่) คะแนน AA Math ของ GPT‑5 Nano (83.7) แข่งขันหรือเหนือกว่าประสิทธิภาพทางคณิตศาสตร์ของ GPT‑4 Mini สำหรับงานที่มีบริบทยาวและหลายโมดัล Nano คือตัวเลือกที่ชัดเจน สำหรับข้อความทั่วไปสั้นๆ Mini อาจยังคุ้มต้นทุน
GPT-5 Pro คือโมเดลเรือธงขนาดใหญ่ของ OpenAI ที่มีคะแนน benchmark สูงกว่าในทุกด้าน แต่ก็มีราคา token ที่สูงกว่าเช่นกัน (ไม่ได้ระบุอัตราที่แน่นอน) Pro มีแนวโน้มว่ามีหน้าต่างบริบทที่เล็กกว่า (มีข่าวลือว่า 128K) แต่การให้เหตุผล การเขียนโค้ด และความคิดสร้างสรรค์ดีกว่า GPT-5 Nano แลกเปลี่ยนความแม่นยำและความสามารถบางส่วนเพื่อราคาที่ต่ำกว่ามากและบริบทที่ยาวกว่า หากลำดับความสำคัญของคุณคือคุณภาพสูงสุดสำหรับงานที่ยาก ให้เลือก Pro หากคุณต้องการประมวลผลข้อมูลจำนวนมากอย่างประหยัดและสามารถยอมรับความแม่นยำในระดับปานกลางได้ Nano จะดีกว่า ทั้งสองรุ่นสามารถเข้าถึงได้ผ่าน OrcaRouter ด้วยรูปแบบ API เดียวกัน
OrcaRouter ให้การเข้าถึงโมเดลมากมาย ทางเลือกอื่นรวมถึงโมเดล OpenAI ขนาดใหญ่ (GPT‑5 Pro) เพื่อความแม่นยำสูงกว่า, โมเดลขนาดเล็ก (GPT‑4 Mini) สำหรับข้อความธรรมดา, หรือโมเดลจากบริษัทอื่นเช่น Claude ของ Anthropic หรือ Llama ของ Meta แต่ละโมเดลมีขอบเขตบริบท (context windows), ราคา และการรองรับรูปแบบข้อมูลที่แตกต่างกัน ตัวอย่างเช่น Claude 3 Haiku อาจให้ความเร็วที่เร็วกว่าแต่ไม่มีอินพุตรูปภาพ คุณสามารถเปรียบเทียบราคาต่อโทเคนได้ที่หน้าราคาของ OrcaRouter GPT-5 Nano โดดเด่นเป็นพิเศษด้วยการรวมกันของขอบเขตบริบท 400K, อินพุตหลายรูปแบบ (multi-modal) และต้นทุนอินพุตที่ต่ำ ทำให้เป็นเอกลักษณ์ในกลุ่มโมเดลน้ำหนักเบา
GPT-5 Nano เช่นเดียวกับโมเดล OpenAI อื่นๆ ที่เข้าถึงผ่าน API จะไม่นำข้อมูลของคุณไปฝึกโดยค่าเริ่มต้น (นโยบายการใช้ข้อมูล API ของ OpenAI มีผลบังคับใช้) OrcaRouter ทำหน้าที่เป็นพร็อกซีและจะไม่จัดเก็บ prompt หรือ response ของคุณเกินกว่าที่จำเป็นสำหรับการเรียกเก็บเงินและการบันทึกคำขอ (ขึ้นอยู่กับนโยบายความเป็นส่วนตัวของพวกเขา) ผู้ให้บริการทั้งสองยืนยันว่าจะไม่ใช้ข้อมูล API เพื่อปรับปรุงโมเดล เว้นแต่คุณจะเลือกเข้าร่วม สำหรับข้อมูลที่ละเอียดอ่อน ควรพิจารณาใช้โมเดลในเครื่องหรือโมเดลเฉพาะ การจัดการข้อมูลของ GPT‑5 Nano เหมือนกับโมเดล API อื่นๆ ของ OpenAI—ไม่มีการเก็บรักษาข้อมูลเพิ่มเติมโดย OrcaRouter
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
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-nano-2025-08-07",
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
GET /api/public/models/openai/gpt-5-nano-2025-08-07เปิด @misc{orcarouter_gpt_5_nano_2025_08_07,
title = {openai/gpt-5-nano-2025-08-07 API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-5-nano-2025-08-07}
}openai. (n.d.). openai/gpt-5-nano-2025-08-07 API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-5-nano-2025-08-07