OpenAI: GPT-5.2 Pro (batch)

GPT-5.2 Pro es un modelo de texto de OpenAI, listado en api14 como openai/gpt-5.2-pro:batch. Se sitúa en la categoría de texto y el proveedor lo describe como el modelo más avanzado de OpenAI, con mejoras importantes en codificación agéntica y rendimiento en contexto largo respecto a GPT-5 Pro. La fecha de lanzamiento del proveedor es 2025-12-10. El sufijo batch en el id del modelo indica la variante batch de este modelo.

El modelo acepta entradas de imagen, texto y archivo, y devuelve únicamente texto. Su ventana de contexto es de 400.000 tokens, y la salida máxima es de 128.000 tokens. Está optimizado para tareas complejas que requieren razonamiento paso a paso, y expone controles de razonamiento a través de sus parámetros compatibles, de modo que puedes ajustar cuánto esfuerzo de razonamiento interno aplica el modelo y si el contenido de razonamiento se incluye en la respuesta.

Debido a la gran ventana de contexto y al enfoque en razonamiento, el modelo encaja en trabajos donde hay que considerar mucho material a la vez: documentos largos, bases de código grandes y repositorios con múltiples archivos, y tareas de codificación agéntica que implican planificar y ejecutar varios pasos. La entrada de archivos e imágenes amplía esto a tareas que mezclan prosa, código y material visual, como revisar una especificación junto con diagramas, o extraer datos estructurados de documentos escaneados. Las salidas estructuradas y el llamado a herramientas hacen que sea utilizable como núcleo de razonamiento de una canalización automatizada, no solo como un endpoint de chat.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo openai/gpt-5.2-pro:batch. Los parámetros de solicitud compatibles son include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools y verbosity. En la práctica, esto significa que puedes limitar la longitud de salida con max_tokens, controlar la profundidad de razonamiento con reasoning y reasoning_effort, solicitar respuestas legibles por máquina con response_format o structured_outputs, definir funciones invocables con tools y tool_choice, y ajustar el estilo de respuesta con verbosity. El parámetro seed te permite hacer el muestreo más reproducible donde eso importe.

De los hechos se derivan dos puntos prácticos. La salida es únicamente texto, así que si tu aplicación necesita imágenes o audio generados, este modelo no es la opción adecuada. También conviene comprobar la variante batch frente a tus necesidades de latencia, ya que los endpoints de estilo batch normalmente cambian inmediatez por rendimiento; si necesitas tiempos de respuesta interactivos, confirma el comportamiento de esta variante antes de comprometerte con ella. Por lo demás, para razonamiento de contexto largo, codificación agéntica y extracción estructurada, la combinación de una ventana de contexto de 400.000 tokens, un límite de salida de 128.000 tokens y soporte de herramientas cubre una amplia gama de cargas de trabajo de producción.