OpenAI GPT-5.4-2026-03-05: 1.05M ngữ cảnh, 128K đầu ra, 92.0 GPQA Diamond. Đầu vào văn bản, hình ảnh, tệp.
Đây là một mô hình ngôn ngữ lớn từ OpenAI với cửa sổ ngữ cảnh 1.050.000 token và đầu ra tối đa 128.000 token. Mô hình chấp nhận đầu vào dạng văn bản, hình ảnh và tệp, cho phép người dùng kết hợp…
Với ngữ cảnh 1,05M và hỗ trợ đa phương thức, nó vượt trội trong các tác vụ như phân tích báo cáo tài chính dài kèm biểu đồ nhúng, tóm tắt toàn bộ tài liệu khám phá pháp lý, kiểm tra các mã nguồn lớn để tìm lỗi hoặc mẫu và tiến hành nghiên cứu học thuật trên các bài báo dài. Nó có thể kết hợp nhiều hình ảnh (ví dụ: slide từ bài thuyết trình) với ngữ cảnh văn bản và tạo ra một bản tóm tắt thống nhất. Đầu ra tối đa 128K cũng khiến nó phù hợp để tạo báo cáo toàn diện, dự án phần mềm hoàn chỉnh hoặc nội dung tường thuật mở rộng mà sẽ bị cắt ngắn bởi các mô hình có giới hạn đầu ra nhỏ hơn. Các trường hợp sử dụng yêu cầu khả năng suy luận cao, chẳng hạn như các bài toán logic hoặc toán học nhiều bước, cũng được hưởng lợi từ điểm số benchmark.
Nếu tác vụ của bạn liên quan đến đầu vào và đầu ra ngắn (ví dụ: hội thoại chatbot dưới 4K token, phân loại đơn giản hoặc bản dịch ngắn), một mô hình nhỏ hơn như GPT-4o mini hoặc GPT-4o của OpenAI có thể tiết kiệm chi phí và nhanh hơn. Ngoài ra, nếu tác vụ không yêu cầu độ sâu suy luận được đo bằng GPQA Diamond, một mô hình rẻ hơn có thể đạt được kết quả chấp nhận được với chi phí thấp hơn. Vì giá cho mô hình này trên OrcaRouter không được công khai, khả năng cao chi phí mỗi token sẽ cao hơn so với các mô hình nhỏ hơn. Hãy đánh giá xem có cần bối cảnh mở rộng và kích thước đầu ra hay không; nếu không cần, một mô hình nhẹ hơn sẽ giảm cả chi phí tài chính lẫn độ trễ.
Mô hình xử lý gốc văn bản, hình ảnh và tệp tin trong cùng một cửa sổ ngữ cảnh. Điều này có nghĩa là bạn có thể gửi một yêu cầu bao gồm một lời nhắc văn bản, một vài hình ảnh (ví dụ: ảnh chụp, sơ đồ) và các tệp đính kèm (ví dụ: PDF, bảng tính) như một phần của mảng tin nhắn. Mô hình sẽ suy luận trên tất cả các phương thức. Ví dụ, bạn có thể yêu cầu nó so sánh một sơ đồ trong hình ảnh với dữ liệu trong tệp CSV và tạo ra một phân tích văn bản. Lưu ý rằng xử lý hình ảnh và tệp tin tiêu thụ token từ cửa sổ ngữ cảnh; một hình ảnh lớn có thể sử dụng hàng nghìn token, vì vậy hãy lập kế hoạch yêu cầu của bạn cho phù hợp để nằm trong giới hạn 1.050.000 token.
Phương thức nhập tệp bao gồm các định dạng tài liệu phổ biến như PDF, Word, Excel, PowerPoint, tệp văn bản và có thể cả các định dạng hình ảnh ngoài hình ảnh web thông thường. Mặc dù các loại MIME tệp cụ thể không được chỉ định trong các dữ kiện đã cung cấp, OrcaRouter có thể hỗ trợ cùng phạm vi như các điểm cuối tệp của OpenAI. Để có kết quả tốt nhất, hãy sử dụng các tệp dạng văn bản (PDF, TXT, code) vì hình ảnh được xử lý riêng thông qua phương thức nhập hình ảnh. Mô hình có thể trích xuất văn bản từ tệp và tích hợp vào quá trình suy luận của nó. Nếu bạn cần phân tích một hình ảnh được nhúng trong tệp (ví dụ: PDF có ảnh), tốt hơn nên trích xuất hình ảnh riêng và gửi qua đầu vào hình ảnh.
GPQA Diamond là một điểm chuẩn bao gồm các câu hỏi trắc nghiệm cấp độ sau đại học trong sinh học, vật lý và hóa học. Điểm số 92.0 cho thấy mô hình đã trả lời đúng 92% các câu hỏi này. Đây là một kết quả mạnh mẽ, cho thấy mô hình sở hữu khả năng suy luận sâu và kiến thức chuyên ngành. Tuy nhiên, điểm số chuẩn không đảm bảo hiệu suất hoàn hảo trong mọi tình huống thực tế. Mô hình vẫn có thể tạo ra lỗi trên các nhiệm vụ phức tạp hoặc các chủ đề ngoài phạm vi phân phối dữ liệu huấn luyện. Điểm này là một chỉ số so sánh: nó cho thấy mô hình này vượt trội hơn nhiều mô hình trước đó trong bài kiểm tra cụ thể này, nhưng đối với các ứng dụng quan trọng trong lĩnh vực cụ thể, luôn xác thực đầu ra.
Điểm mạnh bao gồm khả năng xử lý ngữ cảnh rất dài, xử lý nhiều dạng thức (modality) và tạo ra đầu ra dài. Điểm GPQA Diamond cao cho thấy khả năng suy luận mạnh. Hạn chế: như với tất cả các LLM, nó có thể tạo ra thông tin nghe có vẻ hợp lý nhưng không chính xác (ảo giác). Cửa sổ ngữ cảnh lớn có nghĩa là nếu người dùng cung cấp thông tin xung đột hoặc không liên quan trong ngữ cảnh, mô hình có thể gặp khó khăn trong việc tập trung vào các phần quan trọng. Ngoài ra, vì mô hình lớn, độ trễ suy luận có thể cao hơn so với các mô hình nhỏ hơn. Đầu ra tối đa của mô hình là 128.000 token là hào phóng nhưng vẫn có giới hạn; các thế hệ cực kỳ dài vẫn có thể bị cắt ngắn nếu đầu ra vượt quá giới hạn đó. Không có số liệu về độ trễ hoặc tốc độ nào được công bố công khai.
Điểm chuẩn cụ thể duy nhất được cung cấp là GPQA Diamond ở mức 92.0. Để so sánh, các mô hình OpenAI trước đó như GPT-4 (tháng 8 năm 2023) đạt khoảng 38.0 trên GPQA (mức độ khó cao hơn của Diamond). GPT-4o (tháng 5 năm 2024) đạt khoảng 75-80 trên GPQA Diamond (được biết đến công khai). Do đó, mô hình này cho thấy sự cải thiện. Đối với các điểm chuẩn khác như MMLU, HumanEval, v.v., không có dữ liệu nào được cung cấp; người dùng nên giả định hiệu suất mạnh mẽ điển hình như mong đợi từ một mô hình hàng đầu của OpenAI. Yếu tố khác biệt chính là kích thước ngữ cảnh và đầu ra: GPT-4o có ngữ cảnh 128K và đầu ra 16K, trong khi mô hình này có ngữ cảnh 1.05M và đầu ra 128K. Vì vậy, đối với các tài liệu rất dài, mô hình này là lựa chọn tốt hơn.
Không có điểm chuẩn đa phương thức (ví dụ: về chú thích hình ảnh hoặc trả lời câu hỏi trực quan) nào được bao gồm trong các dữ kiện được cung cấp. Tuy nhiên, với việc mô hình hỗ trợ đầu vào hình ảnh và tệp tin, có thể cho rằng mô hình hoạt động tốt trên các tác vụ ngôn ngữ-thị giác tiêu chuẩn, có khả năng tương đương hoặc tốt hơn khả năng thị giác của GPT-4o. Người dùng quan tâm đến độ chính xác đa phương thức cụ thể nên tự kiểm tra mô hình trên tập dữ liệu của họ. Điểm GPQA Diamond (chỉ văn bản) cung cấp một điểm cơ sở cho khả năng suy luận, nhưng không bao gồm suy luận trực quan. Đối với các tác vụ yêu cầu đọc văn bản từ hình ảnh, mô hình sử dụng nhận dạng ký tự quang học nội bộ, nhưng không có số liệu độ chính xác OCR riêng biệt nào được cung cấp.
Giá cho openai/gpt-5.4-2026-03-05 trên OrcaRouter không được công bố công khai trong các dữ kiện hiện có. Thông thường, các mô hình có cửa sổ ngữ cảnh rất lớn và giới hạn đầu ra cao sẽ có giá cao hơn trên mỗi token do yêu cầu tài nguyên tính toán. Để biết giá hiện tại, bạn nên tham khảo bảng điều khiển OrcaRouter hoặc liên hệ bộ phận hỗ trợ của họ. Khi lập ngân sách, hãy lưu ý rằng đầu ra tối đa cao (128K token) có thể dẫn đến hóa đơn lớn hơn cho mỗi yêu cầu. Một số nền tảng cung cấp giảm giá bộ nhớ đệm cho các lời nhắc lặp lại; hãy kiểm tra tài liệu của OrcaRouter để biết chi tiết. Đối với các khối lượng công việc nhạy cảm về chi phí, hãy đánh giá xem các mô hình nhỏ hơn có thể đạt được kết quả chấp nhận được cho một phần của quy trình hay không.
OrcaRouter có thể cung cấp cơ chế lưu cache nơi các prompt được lặp lại qua các yêu cầu được lưu trữ tạm thời để giảm chi phí. Điều này phổ biến ở nhiều nhà cung cấp API. Đối với một mô hình có ngữ cảnh 1.05M, việc lưu cache có thể đặc biệt có lợi nếu bạn thường xuyên sử dụng cùng một system prompt hoặc một tài liệu tĩnh lớn. Tuy nhiên, các chính sách lưu cache cụ thể cho mô hình này không được chi tiết trong các sự kiện được cung cấp. Bạn có thể kích hoạt lưu cache bằng cách thiết lập các header thích hợp hoặc sử dụng các tính năng tích hợp sẵn của OrcaRouter. Nếu không có cache, mỗi yêu cầu sẽ xử lý toàn bộ ngữ cảnh, do đó chi phí tăng tuyến tính theo độ dài đầu vào. Để tối ưu hóa, hãy tiền xử lý đầu vào để loại bỏ nội dung không liên quan trước khi gửi.
Không có số liệu về giá cả được cung cấp cho bất kỳ mô hình nào trong các dữ kiện. Nhìn chung, các mô hình có cửa sổ ngữ cảnh lớn hơn và ngày phát hành mới hơn thường có giá cao hơn các mô hình trước đó. GPT-4o, với cửa sổ ngữ cảnh 128K và đầu ra 16K, có thể sẽ rẻ hơn mô hình này. Đối với các yêu cầu ngắn thường xuyên, chi phí thấp hơn của GPT-4o có thể kinh tế hơn. Đối với các tác vụ xử lý tài liệu dài, cửa sổ ngữ cảnh của GPT-4o có thể không đủ, buộc phải chia nhỏ và thực hiện nhiều lệnh gọi; trong trường hợp đó, chi phí trên mỗi token cao hơn của mô hình này thực tế có thể thấp hơn tổng thể vì nó tránh được xử lý bổ sung. Người dùng nên tự ước tính chi phí dựa trên các mẫu sử dụng thực tế.
Đặt base URL thành https://api.orcarouter.ai/v1 và sử dụng model ID "openai/gpt-5.4-2026-03-05" trong phần thân yêu cầu. API hoàn toàn tương thích với OpenAI Python client, curl, hoặc bất kỳ HTTP client nào hỗ trợ endpoint chat completions. Ví dụ với thư viện openai trong 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 ) ``` Tất cả các tham số tiêu chuẩn đều được hỗ trợ. Hãy nhớ thay YOUR_KEY bằng một khóa API OrcaRouter.
Các tham số tối thiểu bắt buộc là "model" (chuỗi, phải là "openai/gpt-5.4-2026-03-05") và "messages" (mảng các đối tượng tin nhắn). Mỗi đối tượng tin nhắn yêu cầu một "role" (system, user hoặc assistant) và "content". Đối với đầu vào đa phương thức, nội dung có thể là một mảng các phần nội dung (text, image_url hoặc file). Mô hình cũng hỗ trợ tham số "max_tokens" (số nguyên lên tới 128.000). Nếu bỏ qua, mô hình có thể sinh cho đến khi đạt điều kiện dừng. Các tham số tùy chọn khác bao gồm temperature, top_p, frequency_penalty, presence_penalty, stop và stream. Tất cả tuân theo đặc tả OpenAI Chat Completions.
Việc di chuyển bao gồm thay đổi base URL và có thể cập nhật API key. Nếu mã của bạn hiện đang sử dụng OpenAI Python client với base URL mặc định (api.openai.com), bạn chỉ cần khởi tạo client với base_url="https://api.orcarouter.ai/v1" và API key OrcaRouter của bạn. ID model thay đổi từ tên model OpenAI (ví dụ: "gpt-5.4-2026-03-05") thành "openai/gpt-5.4-2026-03-05" (lưu ý tiền tố nhà cung cấp). Tất cả các tham số khác vẫn giữ nguyên. Hãy kiểm tra bằng một yêu cầu đơn giản trước tiên. Model này có thể có hành vi hơi khác so với cùng model khi truy cập trực tiếp qua OpenAI, nhưng về mặt chức năng, nó sẽ giống nhau đối với hầu hết các trường hợp sử dụng.
GPT-4o (cụ thể là phiên bản gpt-4o-2024-08-06) có cửa sổ ngữ cảnh 128.000 token và đầu ra tối đa 16.384 token. Ngược lại, openai/gpt-5.4-2026-03-05 cung cấp cửa sổ ngữ cảnh 1.050.000 token (lớn hơn khoảng 8,2 lần) và đầu ra tối đa 128.000 token (lớn hơn khoảng 7,8 lần). Điều này khiến mô hình mới hơn phù hợp hơn nhiều cho các tác vụ liên quan đến toàn bộ sách, cơ sở mã khổng lồ hoặc lịch sử hội thoại dài, cũng như tạo ra các đầu ra mở rộng như báo cáo đầy đủ. Tuy nhiên, GPT-4o có thể có tốc độ suy luận nhanh hơn và chi phí thấp hơn. Về mặt điểm chuẩn, điểm GPQA Diamond của GPT-4o thấp hơn (khoảng 80) so với 92,0, cho thấy khả năng suy luận tốt hơn trên các câu hỏi trình độ sau đại học. Đối với các tác vụ nằm trong giới hạn ngữ cảnh của GPT-4o, nó vẫn là một lựa chọn thay thế mạnh mẽ.
GPT-4 Turbo (gpt-4-turbo-2024-04-09) có cửa sổ ngữ cảnh 128.000 token và đầu ra tối đa 4.096 token. Điểm GPQA Diamond của nó thấp hơn đáng kể (khoảng 38). Do đó, mô hình 5.4 vượt trội hơn về cả ngữ cảnh, đầu ra và khả năng suy luận. Vì GPT-4 Turbo đã cũ hơn, nó vẫn có thể được sử dụng cho các tác vụ ngắn chi phí thấp, nhưng đối với bất kỳ khối lượng công việc yêu cầu ngữ cảnh dài hoặc suy luận cao, mô hình này vượt trội hơn. Mô hình mới hơn cũng hỗ trợ đầu vào hình ảnh và tệp tin một cách tự nhiên, trong khi khả năng thị giác của GPT-4 Turbo được giới thiệu sau và không được tích hợp sâu.
OrcaRouter có khả năng cung cấp các mô hình OpenAI khác (ví dụ: openai/gpt-4o, openai/gpt-4-turbo) cũng như các mô hình từ các nhà cung cấp khác. Nếu bạn cần cửa sổ ngữ cảnh lớn hơn 128K token nhưng nhỏ hơn 1.05M, bạn có thể cân nhắc các mô hình như Claude 3.5 Sonnet của Anthropic (ngữ cảnh 200K) hoặc Gemini 1.5 Pro của Google (ngữ cảnh 1M). Sự lựa chọn phụ thuộc vào yêu cầu cụ thể của bạn về khả năng suy luận, hỗ trợ đa phương thức và độ dài đầu ra. Mô hình này nổi bật nhờ sự kết hợp giữa ngữ cảnh rất lớn và điểm suy luận cao. Để có kết quả tốt nhất, hãy kiểm tra trường hợp sử dụng cụ thể của bạn bằng một yêu cầu mẫu thông qua API của OrcaRouter để so sánh chất lượng đầu ra giữa các mô hình.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
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| Bậc | Đầu vào / 1M tokens | Đầu ra / 1M tokens | Đọc cache / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| Bậc được chọn theo số token đầu vào của mỗi yêu cầu | |||
Ước tính theo giá niêm yết
Giá theo bậc — ước tính này dùng mức giá bậc cơ bản.
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
GET /api/public/models/openai/gpt-5.4-2026-03-05Mở @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