OpenAI GPT-5.4-2026-03-05：1.05M 上下文，128K 輸出，92.0 GPQA Diamond。文字、圖像、檔案輸入。
這是來自OpenAI的一個大型語言模型，擁有1,050,000個token的上下文視窗，以及最多128,000個token的輸出能力。它接受文字、圖片和檔案輸入，讓使用者能夠在單一請求中結合視覺資訊與書面內容。該模型專為需要處理極長文件、執行多步驟推理，或處理同時涉及文字與圖片任務的研究人員、開發人員及企業所設計。它特別適用於推理基準測試要求高度準確性的使用情境，其在GPQA…
憑藉其1.05M上下文與多模態支援，它在分析內嵌圖表的長篇財務報告、摘要整份法律發現文件、檢查大型程式碼庫中的錯誤或模式，以及對冗長學術論文進行研究等任務上表現出色。它能夠結合數張圖片（例如簡報投影片）與文字脈絡，產出統一的摘要。128K的最大輸出也使其適合生成全面報告、完整軟體專案，或是會被較小輸出限制模型截斷的長篇敘事內容。需要高度推理能力的用例（如多步驟數學或邏輯問題）同樣能從其基準分數中受益。
如果您的任務涉及較短的輸入和輸出（例如，低於4K tokens的聊天機器人對話、簡單分類或簡短翻譯），像OpenAI的GPT-4o mini或GPT-4o這類較小的模型可能更具成本效益且速度更快。此外，如果任務不需要GPQA Diamond所衡量的推理深度，則較便宜的模型可以在較低成本下達到可接受的結果。由於OrcaRouter上此模型的定價未公開，其每個token的成本可能高於較小模型。請評估擴展的上下文和輸出大小是否必要；若無必要，輕量級模型將能降低貨幣成本和延遲。
此模型原生支援在同一上下文視窗中處理文字、圖片與檔案輸入。這表示您可以在訊息陣列中傳送包含文字提示、數張圖片（例如照片、圖表）以及附加檔案（例如PDF、試算表）的請求。模型將跨所有模態進行推理。舉例來說，您可以要求它比較圖片中的圖表與CSV檔案中的數據，並生成文字分析。請注意，圖片與檔案處理會消耗上下文視窗中的token；一張大型圖片可能使用數千個token，因此請據此規劃您的請求，以維持在1,050,000個token的限制內。
檔案輸入模態涵蓋常見的文件格式，如PDF、Word、Excel、PowerPoint、文字檔案，以及可能超出典型網頁圖像的圖片格式。雖然提供的資料中未指定確切的檔案MIME類型，但OrcaRouter很可能支援與OpenAI檔案端點相同的範圍。為獲得最佳效果，請使用基於文字的檔案（PDF、TXT、程式碼），因為圖像是通過圖像模態單獨處理的。模型可以從檔案中提取文字並將其納入推理。如果您需要分析檔案中嵌入的圖像（例如帶有圖片的PDF），最好單獨提取圖像並通過圖像輸入發送。
GPQA Diamond 是一個基準測試，包含生物學、物理學和化學領域的研究生級別選擇題。分數 92.0 表示模型正確回答了這些問題中的 92%。這是一個強勁的結果，表明該模型具備深厚的推理能力和領域特定知識。然而，基準測試分數並不能保證在每個真實世界場景中都有完美表現。該模型在細微任務或訓練分佈外的主題上仍可能產生錯誤。這個分數是一個比較性指標：它顯示該模型在此特定測試中優於許多早期模型，但對於領域特定的高風險應用，請務必驗證輸出。
優勢包括能夠處理非常長的上下文、支援多模態以及產生長篇輸出。高 GPQA Diamond 分數表示其推理能力強大。限制：與所有大型語言模型一樣，它可能產生聽起來合理但實際上不正確的資訊（幻覺）。大上下文窗口意味著，如果使用者在上下文中提供了相互矛盾或不相關的資訊，模型可能會難以專注於重要部分。此外，由於模型規模大，推論延遲可能高於較小的模型。模型的最大輸出為 128,000 個 token，這雖然充裕但仍然是有限的；如果輸出超過此限制，極長的生成內容仍可能被截斷。沒有公開提供延遲或速度數據。
提供的唯一具體基準是GPQA Diamond的92.0分。作為對比，早期的OpenAI模型如GPT-4（2023年8月）在GPQA（更高門檻的Diamond）上得分約為38.0。GPT-4o（2024年5月）在GPQA Diamond上的得分約為75-80（公開已知）。因此，此模型顯示出進步。對於其他基準如MMLU、HumanEval等，未提供數據；使用者應預期此模型具備OpenAI頂級模型的典型強勁表現。關鍵差異在於上下文與輸出大小：GPT-4o擁有128K上下文與16K輸出，而此模型擁有1.05M上下文與128K輸出。因此，對於超長文檔，此模型是更佳選擇。
沒有包含多模態基準測試（例如圖像描述或視覺問答）。然而，鑑於該模型支援圖像和檔案輸入，可以合理假設它在標準視覺語言任務上表現良好，可能與GPT-4o的視覺能力相當或更佳。對特定多模態準確性感興趣的使用者應在其自己的資料集上測試該模型。GPQA Diamond分數（純文字）提供了推理的基準，但不涵蓋視覺推理。對於需要從圖像中讀取文字的任務，模型在內部使用光學字元辨識，但沒有提供單獨的OCR準確性數據。
OrcaRouter 上 openai/gpt-5.4-2026-03-05 的定價並未在現有資訊中公開揭露。通常，具有極大上下文視窗和高輸出限制的模型，由於所需的計算資源較多，每 Token 的價格會較高。如需最新定價，請參考 OrcaRouter 儀表板或聯繫其支援團隊。在編列預算時，請考慮到高最大輸出（128K Token）可能導致每次請求的費用較高。部分平台會針對重複提示提供快取折扣，詳情請查閱 OrcaRouter 的文件。對於成本敏感的工作負載，請評估是否可在部分流程中使用較小的模型來達到可接受的結果。
OrcaRouter 可能提供快取機制，將跨請求重複的提示詞暫存起來以降低成本。這在許多 API 提供者中很常見。對於具有 1.05M 上下文的模型，如果您經常使用相同的系統提示詞或大型靜態文件，快取特別有益。然而，關於此模型的具體快取政策並未在提供的資料中詳述。您可能可以透過設定適當的標頭或使用 OrcaRouter 的內建功能來啟用快取。沒有快取時，每個請求都會處理完整的上下文，因此成本會與輸入長度線性成長。為最佳化，請在發送前預先處理輸入，移除不相關的內容。
事實中未提供任何模型的定價數字。一般而言，具有較大上下文視窗和較新發布日期的模型，定價往往高於較早的模型。擁有128K上下文和16K輸出的GPT-4o，其價格可能低於此模型。對於頻繁的短請求，GPT-4o較低的成本可能更經濟。而對於長文件任務，GPT-4o的上下文視窗可能不足，導致需要分段處理並多次調用；在這種情況下，此模型較高的每token成本實際上可能更低，因為它避免了額外的處理。用戶應根據實際使用模式自行估算成本。
設定基礎 URL 為 https://api.orcarouter.ai/v1，並在請求體中使用模型 ID "openai/gpt-5.4-2026-03-05"。此 API 與 OpenAI Python 用戶端、curl 或任何支援聊天補全端點的 HTTP 用戶端完全相容。以下是使用 Python 的 openai 程式庫的範例： ```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":"解釋量子計算"}], max_tokens=2048 ) ``` 所有標準參數皆受支援。請記得將 YOUR_KEY 替換為您的 OrcaRouter API 金鑰。
必要的最低參數是 "model"（字串，必須是 "openai/gpt-5.4-2026-03-05"）和 "messages"（訊息物件陣列）。每個訊息物件需要 "role"（system、user 或 assistant）和 "content"。對於多模態輸入，content 可以是內容部分（text、image_url 或 file）的陣列。該模型也支援 "max_tokens" 參數（整數，上限為 128,000）。如果省略，模型可能會一直生成直到停止條件。其他可選參數包括 temperature、top_p、frequency_penalty、presence_penalty、stop 和 stream。所有參數均遵循 OpenAI Chat Completions 規範。
遷移需要更改基礎URL，並可能更新API金鑰。若你的程式碼目前使用OpenAI Python客戶端且採用預設基礎URL（api.openai.com），你只需以 base_url="https://api.orcarouter.ai/v1" 以及你的OrcaRouter API金鑰來實例化客戶端即可。模型ID會從OpenAI模型名稱（例如 "gpt-5.4-2026-03-05"）改為 "openai/gpt-5.4-2026-03-05"（請注意提供者前綴）。所有其他參數保持不變。建議先以簡單請求進行測試。此模型的行為可能與直接通過OpenAI存取相同模型時略有不同，但對大多數使用情境而言，功能上應無差異。
GPT-4o（具體來說是gpt-4o-2024-08-06版本）的上下文視窗為128,000個token，最大輸出為16,384個token。相比之下，openai/gpt-5.4-2026-03-05提供了1,050,000個token的上下文視窗（約大8.2倍），最大輸出為128,000個token（約大7.8倍）。這使得較新的模型更適合處理涉及整本書籍、大型程式碼庫或長對話歷史的任務，以及生成完整報告等長篇輸出。然而，GPT-4o可能具有更快的推理速度和較低的成本。在基準測試方面，GPT-4o的GPQA Diamond分數較低（約80），而對比92.0，顯示其在研究生級別問題上的推理能力較弱。對於適合GPT-4o上下文的任務，它仍然是一個強勁的替代方案。
GPT-4 Turbo (gpt-4-turbo-2024-04-09) 的上下文視窗為 128,000 個 token，最大輸出為 4,096 個 token。其 GPQA Diamond 分數明顯較低（約 38）。因此，5.4 模型在上下文、輸出和推理方面均優於它。由於 GPT-4 Turbo 較舊，可能仍適用於低成本短任務，但對於任何長上下文或高推理負載的工作，此模型更為優越。較新的模型還原生支援影像和檔案輸入，而 GPT-4 Turbo 的視覺能力是後來才加入的，整合程度較低。
OrcaRouter 可能還提供其他 OpenAI 模型（例如 openai/gpt-4o、openai/gpt-4-turbo）以及其他供應商的模型。如果您需要的上下文視窗大於 128K tokens 但小於 1.05M，可以考慮像 Anthropic 的 Claude 3.5 Sonnet（200K 上下文）或 Google 的 Gemini 1.5 Pro（1M 上下文）這樣的模型。選擇取決於您對推理、多模態支援和輸出長度的具體需求。此模型因其極大的上下文和高推理評分而脫穎而出。為了獲得最佳結果，請透過 OrcaRouter 的 API 測試您的特定用例，比較各模型的輸出品質。
相容 OpenAI——沿用你現有的 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-5.4-2026-03-05",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatseedstreamstructured_outputstool_choicetools| 階梯 | 輸入 / 1M tokens | 輸出 / 1M tokens | 快取讀取 / 1M |
|---|---|---|---|
| ≤ 272K | $2.50 | $15.00 | $0.250 |
| ≤ ∞ | $5.00 | $22.50 | $0.500 |
| 階梯依每次請求的輸入 token 數確定 | |||
基於標價的估算
階梯定價——此估算使用基礎級距費率。
僅為估算——實際 Token 數取決於供應商的分詞器。
@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