OpenAI GPT-5 Nano：400K上下文，83.7 AA数学，文本/图像/文件输入，通过OrcaRouter每百万输入令牌$0.05。
OpenAI GPT-5 Nano（2025-08-07发布）是GPT-5家族中更小、成本优化的成员。它提供400,000个token的上下文窗口——足以一次性处理完整的文档或书籍长度的内容。该模型最多可输出128,000个token，覆盖扩展的多轮对话或详细的推理步骤。输入支持文本、图像和文件，实现灵活的多模态内容摄取。其在AA数学基准测试中获得的83.7分表明，对于轻量级模型而言，它具有扎实的…
GPT-5 Nano 可接受文本、图像和文件输入，从而能够对多种格式的信息进行推理。其40万token的上下文窗口可容纳数百页文本以及嵌入的图像或文档附件。该模型单次响应最多可生成12.8万token，适用于长篇幅分析输出、代码生成或多步骤数学证明。其AA数学得分83.7证明了其强大的算术和逻辑推理能力。常见用例包括长文档摘要、图像到文本注释、基于文件的数据提取，以及需要同时理解图表和文本上下文的教育问题求解。
最佳使用场景充分利用模型的大上下文和多模态输入能力，而不追求极致基准性能。例如：处理一份300页的合同及其附件（签名的图片、表格）以提取义务条款；再如：分析一篇包含图表的长篇研究论文，然后撰写1万字的评论。在教育领域，GPT-5 Nano可以逐步解决复杂的数学问题，使用手写方程式的图片。对于数据管道，它能直接处理PDF和图片，输出结构化数据。这些任务受益于较低的输入成本（每百万Token仅0.05美元）以及直接处理文件的能力。
如果您的应用所需上下文从不超过8000个token，且无需图像或文件输入，那么选择更小、更便宜的模型（例如token成本更低的GPT-4 Mini）会更经济。同样，如果您的输出始终非常短（例如单字分类），那么为每百万输出token支付0.40美元可能造成浪费——建议考虑针对低输出成本优化的分类模型。只有当您确实需要400K上下文窗口或多模态能力时，GPT-5 Nano才是最经济实用的选择；否则，使用更简单的模型能节省成本。
AA Math基准测试评估数学推理能力——解决算术、代数及文字题的能力。83.7的得分意味着GPT-5 Nano正确解决了该基准测试中83.7%的任务。对于“纳米”模型而言，这是一个强劲的表现，表明它能够可靠地处理从小学到高中低年级的数学问题，包括多步推理题。相比之下，更大的模型虽然得分可能超过90，但每次标记生成的成本更高。这一得分证实，就数学推理而言，GPT-5 Nano为许多应用提供了良好的成本-准确性平衡。
截至2025年8月7日发布时，OpenAI尚未公开披露GPT-5 Nano的延迟数据。实际速度取决于总token数、请求负载以及OrcaRouter基础设施等因素。由于Nano相对于大型变体是较小的模型，其每token延迟可能更低，但暂无确切数值。OrcaRouter使用标准超时配置异步处理请求。对于延迟敏感的实时应用，我们建议通过OrcaRouter API使用您的典型负载（包括图像/文件）进行基准测试，以评估其适用性。
优势：长上下文（400K tokens）、多模态输入（文本/图像/文件）、大输出容量（128K tokens）、扎实的数学推理能力（AA Math 83.7%）、以及较低的每token成本。局限：在其他基准测试中并非最佳模型（未提供编程、推理或知识任务的得分）。较少的参数数量可能导致其在高度细微或创意性任务上表现不佳。此外，延迟无保证；不支持音频或视频输入。接近128K限制的超长生成内容质量可能下降。对于需要顶级得分的任务，建议考虑更大的GPT‑5模型。
定价基于代币用量，按OpenAI提供商费率收取，零加价。输入代币：每100万代币0.05美元。输出代币：每100万代币0.40美元。OrcaRouter按此精确费率转传。对于一个典型对话，若使用10万输入代币（包括作为输入一部分的图像代币化）和1万输出代币，成本计算为（0.05美元 × 0.1）+（0.40美元 × 0.01）= 0.005美元 + 0.004美元 = 0.009美元（不到1美分）。计费按代币粒度计量；您可通过OrcaRouter仪表盘设置消费限额。
GPT-5 Nano 的主要优势在于相对其上下文大小而言，输入成本较低。例如，处理一个 40 万令牌的文档，输入成本仅为 0.02 美元（40 万 / 100 万 × 0.05 美元）。输出令牌的单价更高，因此如果您的应用生成长度很长的响应，输出成本可能占主导地位。例如，一个 10 万令牌的输出成本为 0.04 美元（10 万 / 100 万 × 0.40 美元）。请评估您的平均输入输出比率。如果输出很短但输入很大，Nano 会非常便宜。如果输出接近 12.8 万令牌，请考虑是否有针对您特定任务、输出费率更低的模型可用。
OrcaRouter 不会披露针对单个模型的具体缓存机制。标准 API 最佳实践适用：在适当的情况下在应用层重用响应，并尽量减少冗余的令牌消耗。请注意，由于 GPT-5 Nano 支持文件与图像输入（这些输入会被分词化），每个独特的文件或图像都会算作新的输入令牌。API 层面不支持缓存已分词的内容。为了优化成本，您可以在客户端缓存提示的文本部分，并在模型答案确定且您控制 temperature=0 时避免重新发送相同的长上下文。
使用兼容 OpenAI 的 API 端点：基础 URL https://api.orcarouter.ai/v1，模型 ID "openai/gpt-5-nano-2025-08-07"。使用 curl 的示例： curl https://api.orcarouter.ai/v1/chat/completions \ -H "Authorization: Bearer YOUR_ORCAROUTER_API_KEY" \ -H "Content-Type: application/json" \ -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 }' 所有标准参数（temperature、top_p、stop、frequency_penalty 等）均受支持。文件输入可以是 base64 编码或基于 URL 的。
GPT-5 Nano 支持标准的聊天完成参数：model（必填，使用确切的ID）、messages（消息对象数组）、max_tokens（最多128000）、temperature（0–2，默认1）、top_p（0–1，默认1）、n（完成数量，默认1）、stop（字符串或数组）、frequency_penalty、presence_penalty、user（用于追踪的唯一标识符）和logit_bias。对于图像和文件输入，使用类型为"image_url"（用于图像）或"file"（用于文件附件，如果支持的话——请查阅OrcaRouter文档）的内容对象。当模型支持结构化输出时，可使用tools、tool_choice和response_format等参数。
迁移非常简单，因为OrcaRouter实现了完全相同的OpenAI兼容架构。只需修改两处：1) 将基础URL设置为https://api.orcarouter.ai/v1；2) 将你的OpenAI API密钥替换为OrcaRouter API密钥（从OrcaRouter控制面板获取）。保持所有其他请求体不变，包括格式为"openai/gpt-5-nano-2025-08-07"的模型ID。OrcaRouter负责路由和计费。除了端点和密钥外，无需进行任何代码更改。通过一次请求测试以确认连接和令牌使用统计。
对于文件输入，请包含一个类型为"file"的内容对象，并以base64编码或公开URL的形式提供文件数据。OrcaRouter接受与OpenAI API相同的架构。示例消息内容：[{"type": "text", "text": "总结这个PDF"}, {"type": "file", "file": {"url": "..."}}]。文件的token化成本取决于其大小和复杂性（图像按分辨率比例计入输入token）。确保你的总上下文（文本+图像+文件token）低于400,000。对于非常大的文件，请考虑预先拆分或采用其他策略。
GPT-5 Nano 提供更大的上下文窗口（400K，而 GPT‑4 Mini 典型的 128K）以及多模态输入（文本/图像/文件，而许多 Mini 变体仅支持文本）。其成本更低：每百万 token $0.05/$0.40，而 GPT‑4 Mini 的输出费率通常更高。不过，GPT‑4 Mini 可能提供更快的推理速度（尽管两者均未公布延迟数据）。GPT‑5 Nano 的 AA 数学得分（83.7）与 GPT‑4 Mini 的数学性能相当或更优。对于长上下文、多模态任务，Nano 是明确的选择；对于短文本通用任务，Mini 可能仍具成本效益。
GPT-5 Pro 是 OpenAI 的大型旗舰模型，在各项基准测试中均取得更高分数，但其令牌定价也更高（具体费率未公布）。Pro 可能拥有更小的上下文窗口（传闻为 128K），但在推理、编码和创造力方面表现更优。GPT-5 Nano 则以较低的准确性和能力换取更低的价格和更长的上下文。如果你在困难任务上追求最高质量，请选择 Pro；如果你需要经济地处理海量数据且能接受中等准确度，Nano 更胜一筹。两者均可通过 OrcaRouter 以相同的 API 格式访问。
OrcaRouter 提供对多种模型的访问。替代方案包括用于更高精度的大型 OpenAI 模型（GPT‑5 Pro）、用于简单文本的小型模型（GPT‑4 Mini），或第三方模型如 Anthropic 的 Claude 或 Meta 的 Llama。每种模型都有不同的上下文窗口、定价和模态支持。例如，Claude 3 Haiku 可能速度更快，但不支持图像输入。你可以在 OrcaRouter 定价页面上比较每 token 的成本。GPT-5 Nano 的特别之处在于其结合了 400K 上下文、多模态输入和低输入成本——使其在轻量级模型中独树一帜。
GPT-5 Nano与通过API访问的其他OpenAI模型一样，默认不会使用你的数据进行训练（适用OpenAI的API数据使用政策）。OrcaRouter作为代理，除必要的计费和请求日志记录外，不会存储你的提示词或回复（具体参见其隐私政策）。两家提供商均承诺，除非你主动选择加入，否则不会将API数据用于模型改进。对于敏感数据，建议使用本地或专用模型。GPT-5 Nano的数据处理方式与其他OpenAI API模型完全一致——OrcaRouter不会额外保留数据。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="openai/gpt-5-nano-2025-08-07",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| 输入 / 1M tokens | $0.050 |
| 输出 / 1M tokens | $0.400 |
| 缓存读取 / 1M | $0.0050 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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