OpenAI: GPT-5.4 Nano

GPT-5.4 Nano es un modelo de texto de OpenAI, posicionado como la variante más ligera y rentable de la familia GPT-5.4. Está diseñado para tareas críticas en velocidad y de alto volumen, y tiene una fecha de corte de conocimiento de 2025-08-31. Si estás eligiendo entre miembros de la línea GPT-5.4, este es el orientado a trabajo de baja latencia en lugar de máxima capacidad.

El modelo acepta entradas de texto, imagen y archivos, y devuelve solo texto. Su ventana de contexto es de 400,000 tokens, con una salida máxima de 128,000 tokens, por lo que documentos largos y conjuntos grandes de imágenes pueden manejarse en una sola solicitud sin fragmentación. Debido a que la salida es texto, cualquier resultado estructurado que necesites tiene que expresarse como texto, lo cual el modelo puede hacer mediante su soporte de salida estructurada.

Esas capacidades apuntan a un conjunto bastante específico de usos. Los trabajos de clasificación, extracción y etiquetado de alto volumen encajan bien, ya que el modelo está diseñado para rendimiento y baja latencia. La entrada de imágenes lo hace utilizable para tareas como leer capturas de pantalla, formularios escaneados o diagramas y devolver un resumen o transcripción en texto. La gran ventana de contexto se adapta a preguntas y respuestas sobre documentos largos, resumen y análisis de múltiples archivos donde preferirías pasar el material de origen directamente en lugar de construir una capa de recuperación. El llamado a herramientas y las salidas estructuradas lo hacen una opción razonable para pipelines estilo agente y para pasos que deben alimentar datos analizados a código posterior.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "openai/gpt-5.4-nano". Los parámetros de solicitud admitidos son include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools y verbosity. En la práctica, eso significa que puedes limitar la longitud de salida, controlar cuánto esfuerzo de razonamiento gasta el modelo, solicitar un formato de respuesta específico o salida estructurada, establecer una semilla para reproducibilidad, y pasar herramientas con un tool_choice para impulsar el llamado a funciones. Los parámetros relacionados con el razonamiento te permiten decidir si el contenido de razonamiento se muestra y cuán verbosa es la salida del modelo.

Lo principal que hay que sopesar es el equilibrio implícito en su posicionamiento: es el miembro ligero y rentable de la familia, optimizado para velocidad y volumen. Si una tarea depende del razonamiento más fuerte que la familia GPT-5.4 puede ofrecer, un hermano mayor probablemente sea la mejor opción, y Nano se conserva mejor para el trabajo de alto volumen y sensible a la latencia para el que fue diseñado.