OpenAI: GPT-5.4 Nano

GPT-5.4 Nano est un modèle de texte d'OpenAI, positionné comme la variante la plus légère et la plus économique de la famille GPT-5.4. Il est conçu pour les tâches critiques en termes de vitesse et à fort volume, et sa date limite de connaissances est le 2025-08-31. Si vous hésitez entre les membres de la gamme GPT-5.4, celui-ci est destiné aux travaux à faible latence plutôt qu'à la capacité maximale.

Le modèle accepte des entrées de texte, d'image et de fichier, et il ne renvoie que du texte. Sa fenêtre de contexte est de 400 000 tokens, avec une sortie maximale de 128 000 tokens, de sorte que les documents longs et les grands ensembles d'images peuvent être traités en une seule requête sans découpage. Comme la sortie est du texte, tout résultat structuré dont vous avez besoin doit être exprimé sous forme de texte, ce que le modèle peut faire grâce à sa prise en charge des sorties structurées.

Ces capacités correspondent à un ensemble d'usages assez spécifique. Les tâches de classification, d'extraction et d'étiquetage à fort volume conviennent bien, car le modèle est conçu pour le débit et la faible latence. L'entrée d'images le rend utilisable pour des tâches telles que la lecture de captures d'écran, de formulaires numérisés ou de diagrammes et le renvoi d'un résumé ou d'une transcription textuelle. La grande fenêtre de contexte convient aux questions-réponses sur des documents longs, au résumé et à l'analyse multi-fichiers lorsque vous préférez transmettre directement le matériel source plutôt que de construire une couche de récupération. L'appel d'outils et les sorties structurées en font un choix raisonnable pour les pipelines de type agent et pour les étapes qui doivent alimenter du code en aval avec des données analysées.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "openai/gpt-5.4-nano". Les paramètres de requête pris en charge sont include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools et verbosity. En pratique, cela signifie que vous pouvez limiter la longueur de sortie, contrôler l'effort de raisonnement que le modèle dépense, demander un format de réponse ou une sortie structurée spécifique, définir une graine pour la reproductibilité, et transmettre des outils avec un tool_choice pour piloter l'appel de fonctions. Les paramètres liés au raisonnement vous permettent de décider si le contenu de raisonnement est exposé et à quel point la sortie du modèle est verbeuse.

Le principal point à peser est le compromis impliqué par son positionnement : c'est le membre léger et économique de la famille, optimisé pour la vitesse et le volume. Si une tâche dépend du raisonnement le plus puissant que la famille GPT-5.4 puisse offrir, un frère plus grand est probablement le meilleur choix, et Nano est mieux réservé au travail à fort volume et sensible à la latence pour lequel il a été conçu.