Predstavujeme GPT‑5.4 mini a nano
Rýchle a efektívne modely optimalizované pre kódovanie a subagentov
Dnes uvádzame na trh GPT‑5.4 mini a nano, naše doteraz najvýkonnejšie malé modely. Prinášajú mnoho silných stránok GPT‑5.4 do rýchlejších a efektívnejších modelov určených pre vysokoobjemové pracovné zaťaženie.
GPT‑5.4 mini sa oproti GPT‑5 mini výrazne zlepšuje v kódovaní, uvažovaní, multimodálnom porozumení a používaní nástrojov a zároveň beží viac ako 2-krát rýchlejšie. V niekoľkých testoch, vrátane SWE-Bench Pro a OSWorld-Verified, sa tiež blíži k výkonu väčšieho modelu GPT‑5.4.
GPT‑5.4 nano je najmenšia a najlacnejšia verzia GPT‑5.4 pre úlohy, pri ktorých je najdôležitejšia rýchlosť a náklady. Je to tiež významný upgrade oproti GPT‑5 nano. Odporúčame ho na klasifikáciu, extrakciu údajov, hodnotenie a programovacích subagentov, ktorí spracúvajú jednoduchšie podporné úlohy.
Tieto modely sú vytvorené pre typy pracovných zaťažení, kde latencia priamo ovplyvňuje zážitok z používania produktu: programátorskí asistenti, ktorí musia byť pohotoví, subagenti, ktorí rýchlo dokončujú podporné úlohy, počítačové systémy, ktoré zachytávajú a interpretujú snímky obrazovky, a multimodálne aplikácie, ktoré dokážu v reálnom čase analyzovať obrázky. V týchto prostrediach najlepší model často nie je ten najväčší, ale ten, ktorý dokáže rýchlo reagovať, spoľahlivo používať nástroje a stále dobre zvládať zložité profesionálne úlohy.
| GPT-5.4 (xhigh) | GPT-5.4 mini (xhigh) | GPT-5.4 nano (xhigh) | GPT-5 mini (high¹) | |
|---|---|---|---|---|
| SWE-Bench Pro (Public) | 57.7% | 54.4% | 52.4% | 45.7% |
| Terminal-Bench 2.0 | 75.1% | 60.0% | 46.3% | 38.2% |
| Toolathlon | 54.6% | 42.9% | 35.5% | 26.9% |
| GPQA Diamond | 93.0% | 88.0% | 82.8% | 81.6% |
| OSWorld-Verified | 75.0% | 72.1% | 39.0% | 42.0% |
1 Najvyššia dostupná hodnota reasoning_effort pre GPT‑5 mini je „vysoká“.
Tu je názor našich zákazníkov po testovaní GPT‑5.4 mini a nano vo svojich pracovných postupoch:
„GPT-5.4 mini poskytuje silný a komplexný výkon pre model v tejto triede." V našich hodnoteniach sa vyrovnal alebo prekonal konkurenčné modely v niekoľkých výstupných úlohách a v oblasti citovania pri oveľa nižších nákladoch. Dosiahol tiež vyššiu mieru úspešnosti pri komplexných testoch a silnejšie uvádzanie zdrojov než väčší model GPT-5.4."
GPT‑5.4 mini a nano sú obzvlášť efektívne v kódovacích pracovných postupoch, ktoré využívajú rýchlu iteráciu. Modely zvládajú cielené úpravy, navigáciu v kódovej základni, generovanie front-endu a cykly ladenia s nízkou latenciou, vďaka čomu sú vhodné pre kódovacie úlohy, ktoré je potrebné dokončiť rýchlejšie a s nižšími nákladmi.
V benchmarkoch GPT‑5.4 mini konzistentne prekonáva GPT‑5‑mini pri podobných latenciách a približuje sa úspešnosti GPT‑5.4, pričom beží oveľa rýchlejšie, čo prináša jeden z najlepších kompromisov medzi výkonom a latenciou pre kódovacie pracovné postupy.
Latenciu odhadujeme tak, že sa pozeráme na produkčné správanie našich modelov a simulujeme to offline. Odhad latencie zohľadňuje trvanie volania nástroja (čas vykonávania kódu), vzorkované tokeny a vstupné tokeny. Latencia v reálnom svete sa môže výrazne líšiť a závisí od mnohých faktorov, ktoré naša simulácia nezachytáva. Podobne sa náklady odhadujú na základe cien API týchto modelov v čase písania. Náklady sa môžu v budúcnosti zmeniť. Úsilie o uvažovanie bolo zvýšené z minimálneho na mimoriadne vysoké (xhigh).
GPT‑5.4 mini je tiež skvelou voľbou pre systémy, ktoré kombinujú modely rôznych veľkostí. Napríklad v Codexe dokáže väčší model, ako je GPT‑5.4, zvládnuť plánovanie, koordináciu a konečné rozhodnutie, pričom deleguje úlohy na subagentov GPT‑5.4 mini, ktorí paralelne spracovávajú užšie podúlohy, ako je vyhľadávanie v kódovej základni, kontrola veľkého súboru alebo spracovanie podporných dokumentov. Ako fungujú subagenti v Codexe sa dozvieš v dokumentácii(otvorí sa v novom okne).
Tento vzorec sa stáva užitočnejším, keďže menšie modely sú rýchlejšie a výkonnejšie. Namiesto používania jedného modelu pre všetko môžu vývojári zostavovať systémy, kde väčšie modely rozhodujú o tom, čo majú robiť, a menšie modely to rýchlo vykonávajú vo veľkom meradle. GPT‑5.4 mini je náš doteraz najsilnejší mini model pre tento štýl pracovného postupu.
GPT‑5.4 mini je silný aj v multimodálnych úlohách, najmä v tých, ktoré súvisia s používaním počítača. Model dokáže rýchlo interpretovať snímky obrazovky hustých používateľských rozhraní, aby s rýchlosťou dokončil úlohy používania počítača. V OSWorld-Verified sa GPT‑5.4 mini približuje k GPT‑5.4 a zároveň výrazne prekonáva GPT‑5 mini.
GPT‑5.4 mini je dnes k dispozícii v API, Codex a ChatGPT.
V rozhraní API podporuje GPT‑5.4 mini textové a obrazové vstupy, používanie nástrojov, volanie funkcie, vyhľadávanie na webe, vyhľadávanie súborov, používanie počítača a zručnosti. Má kontextové okno 400k a stojí $0,75 za 1M vstupných token a $4,50 za 1M výstupných tokenov.
V Codex je GPT‑5.4 mini dostupný v aplikácii Codex, rozhraní CLI, rozšírení IDE a na webe. Používa iba 30 % kvóty GPT‑5.4, čo umožňuje vývojárom rýchlo zvládnuť jednoduchšie kódovacie úlohy v Codexe za približne tretinovú cenu. Codex môže tiež delegovať úlohy na subagentov GPT‑5.4 mini, aby menej náročná práca na uvažovanie bežala na lacnejšom modeli.
V ChatGPT je GPT‑5.4 mini dostupný pre používateľov Free and Go prostredníctvom funkcie „Thinking“ v ponuke +. Pre všetkých ostatných používateľov je GPT‑5.4 mini k dispozícii ako záložná možnosť pri prekročení limitu rýchlosti pre GPT‑5.4 Thinking.
GPT‑5.4 nano je k dispozícii iba v rozhraní API a stojí 0,20 USD za 1 milión vstupných tokenov a 1,25 USD za 1 milión výstupných tokenov.
Viac informácií o ochranných opatreniach modelov nájdete v dodatku k systémovej karte(otvorí sa v novom okne) v našom centre Deployment Safety Hub.
Coding
| GPT-5.4 (xhigh) | GPT-5.4 mini (xhigh) | GPT-5.4 nano (xhigh) | GPT-5 mini (high¹) | |
|---|---|---|---|---|
| SWE-bench Pro (Public) | 57.7% | 54.4% | 52.4% | 45.7% |
| Terminal-Bench 2.0 | 75.1% | 60.0% | 46.3% | 38.2% |
Tool-calling
| GPT-5.4 (xhigh) | GPT-5.4 mini (xhigh) | GPT-5.4 nano (xhigh) | GPT-5 mini (high¹) | |
|---|---|---|---|---|
| MCP Atlas | 67.2% | 57.7% | 56.1% | 47.6% |
| Toolathlon | 54.6% | 42.9% | 35.5% | 26.9% |
| τ2-bench (telecom) | 98.9% | 93.4% | 92.5% | 74.1% |
Intelligence
| GPT-5.4 (xhigh) | GPT-5.4 mini (xhigh) | GPT-5.4 nano (xhigh) | GPT-5 mini (high¹) | |
|---|---|---|---|---|
| GPQA Diamond | 93.0% | 88.0% | 82.8% | 81.6% |
| HLE w/ tool | 52.1% | 41.5% | 37.7% | 31.6% |
| HLE w/o tools | 39.8% | 28.2% | 24.3% | 18.3% |
MM / Vision / CUA
| GPT-5.4 (xhigh) | GPT-5.4 mini (xhigh) | GPT-5.4 nano (xhigh) | GPT-5 mini (high¹) | |
|---|---|---|---|---|
| OSWorld-Verified | 75.0% | 72.1% | 39.0% | 42.0% |
| MMMUPro w/ Python | 81.5% | 78.0% | 69.5% | 74.1% |
| MMMUPro | 81.2% | 76.6% | 66.1% | 67.5% |
| OmniDocBench 1.5 (no tools)² — lower is better | 0.109 | 0.1263 | 0.2419 | 0.1791 |
Long context
| GPT-5.4 (xhigh) | GPT-5.4 mini (xhigh) | GPT-5.4 nano (xhigh) | GPT-5 mini (high¹) | |
|---|---|---|---|---|
| OpenAI MRCR v2 8-needle 64K–128K | 86.0% | 47.7% | 44.2% | 35.1% |
| OpenAI MRCR v2 8-needle 128K–256K | 79.3% | 33.6% | 33.1% | 19.4% |
| Graphwalks BFS 0K–128K | 93.1% | 76.3% | 73.4% | 73.4% |
| Graphwalks parents 0–128K (accuracy) | 89.8% | 71.5% | 50.8% | 64.3% |
1 Najvyššia dostupná hodnota reasoning_effort pre GPT‑5 mini je „vysoká“.
2 Celková editačná vzdialenosť. OmniDocBench bol spustený s reasoning_effort nastaveným na „žiadne“, aby odrážal nízkonákladový výkon s nízkou latenciou.
