OpenAI: GPT-5 Pro (batch)

GPT-5 Pro es el modelo más avanzado de OpenAI, y esta variante se sirve en modo batch. OpenAI lo describe como una oferta con mejoras importantes en razonamiento, calidad de código y experiencia de usuario, y lo posiciona para tareas complejas que requieren razonamiento paso a paso y un fuerte seguimiento de instrucciones. La fecha de lanzamiento del proveedor es 2025-10-06, y el corte de conocimiento es 2024-09-30, por lo que cualquier cosa posterior a esa fecha queda fuera de lo que el modelo aprendió durante el entrenamiento.

En el lado de la entrada, GPT-5 Pro acepta texto, imágenes y archivos, y produce solo texto. La ventana de contexto es de 400,000 tokens, lo suficientemente grande como para contener documentos largos, bases de código o instrucciones de varias partes en una sola solicitud, y la salida máxima es de 128,000 tokens. Como acepta imágenes y archivos junto con texto, puedes enviar capturas de pantalla, diagramas o documentos junto con un prompt escrito en lugar de convertir todo a texto plano primero.

Esas capacidades apuntan a un conjunto bastante específico de casos de uso. La combinación de una ventana de contexto grande y razonamiento paso a paso se adapta al análisis de documentos técnicos largos, la revisión de cambios de código grandes y tareas en las que el modelo debe seguir una especificación detallada a través de muchas restricciones. La entrada de imágenes y archivos lo hace utilizable para trabajo que parte de una captura de pantalla, un PDF o un archivo de datos estructurados, como extraer información, comparar documentos o responder preguntas basadas en material adjunto. El límite de salida de 128,000 tokens también significa que puede devolver resultados largos en una sola respuesta, lo que ayuda para redactar informes extensos, migraciones o código generado en lugar de respuestas cortas.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "openai/gpt-5-pro:batch". Los parámetros admitidos son include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools y verbosity. En la práctica, eso significa que puedes controlar cuánto esfuerzo de razonamiento gasta el modelo, si el contenido de razonamiento se incluye en la respuesta, el número máximo de tokens de salida y el formato de respuesta, incluidos los structured outputs. También puedes definir herramientas y elegir cómo las usa el modelo, establecer una seed para reproducibilidad y ajustar la verbosity. Como el endpoint es compatible con OpenAI, las bibliotecas cliente de OpenAI existentes y las formas de solicitud generalmente funcionan con solo cambiar la URL base y el id de modelo.

Lo principal a sopesar es que esta es la variante batch, por lo que encaja en cargas de trabajo que toleran el procesamiento por lotes en lugar de llamadas interactivas sensibles a la latencia. Si tu aplicación necesita respuestas inmediatas en cada solicitud, o si la tarea es lo suficientemente simple como para que un modelo más pequeño la maneje, un modelo no batch o más ligero puede ser la mejor opción. El corte de conocimiento de 2024-09-30 también vale la pena señalarlo: para preguntas sobre eventos posteriores a esa fecha, deberías proporcionar la información relevante en el prompt o mediante herramientas en lugar de confiar en el conocimiento interno del modelo.