OpenAI: GPT-5.4 Mini (batch)

GPT-5.4 Mini (batch) adalah model generasi teks dari OpenAI, yang ditawarkan di api14 dengan model id openai/gpt-5.4-mini:batch. Ini adalah anggota keluarga GPT-5.4 yang lebih kecil dan lebih efisien, dirancang untuk beban kerja berthroughput tinggi sambil mempertahankan kemampuan inti dari model GPT-5.4 yang lebih besar. Varian batch ditujukan untuk pekerjaan asinkron bervolume tinggi, bukan untuk obrolan interaktif bergantian.

Model ini menerima teks, gambar, dan file sebagai input, dan menghasilkan teks sebagai output. Model ini memiliki context window 400.000 token dan dapat menghasilkan hingga 128.000 token dalam satu respons. Batas pengetahuan (knowledge cutoff) nya adalah 2025-08-31. Karena model ini menangani input teks dan gambar, model ini dapat bekerja dengan konten campuran seperti dokumen dengan gambar tersemat, tangkapan layar, dan halaman hasil pemindaian bersama instruksi tertulis.

Kemampuan tersebut mengarah pada serangkaian penggunaan praktis yang cukup luas. Penalaran dan pengkodean adalah area yang disorot OpenAI, sehingga pembuatan kode, tinjauan kode, dan bantuan debugging menjadi cocok, begitu juga tugas analitis multi-langkah di mana model harus mengerjakan suatu masalah sebelum menjawab. Context window yang besar cocok untuk pemrosesan dokumen panjang: merangkum laporan, mengekstrak data terstruktur dari kontrak, atau menjawab pertanyaan atas seluruh basis kode atau sekumpulan file. Input gambar memperluas ini ke tugas seperti membaca grafik, mentranskripsikan tabel dari tangkapan layar, dan mendeskripsikan konten visual. Orientasi batch membuatnya menjadi pilihan yang wajar untuk pipeline offline, klasifikasi massal, pengayaan dataset, dan pekerjaan lain di mana permintaan diantrekan daripada ditunggu satu per satu.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id openai/gpt-5.4-mini:batch, sehingga SDK dan klien OpenAI yang ada berfungsi hanya dengan mengubah base URL dan key. Parameter permintaan yang didukungnya adalah include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools, dan verbosity. Dalam praktiknya, itu berarti Anda dapat membatasi panjang output dengan max_tokens, mengontrol seberapa banyak penalaran internal yang dilakukan model dengan reasoning_effort dan reasoning, meminta jawaban berbentuk JSON dengan response_format atau structured_outputs, membuat sampling dapat direproduksi dengan seed, dan memberikan fungsi yang dapat dipanggil model melalui tools dan tool_choice. include_reasoning dan verbosity memungkinkan Anda memutuskan seberapa banyak jejak penalaran dan seberapa banyak detail yang ingin Anda terima kembali.

Satu hal yang perlu dipertimbangkan adalah sifat batch dari endpoint ini. Jika aplikasi Anda membutuhkan respons langsung di dalam antarmuka obrolan atau loop agen, model non-batch kemungkinan lebih cocok, dan hal yang sama berlaku jika Anda membutuhkan input audio atau video, karena model ini hanya menerima teks, gambar, dan file serta hanya mengembalikan teks. Namun, dalam batasan tersebut, kombinasi context 400.000 token, batas output 128.000 token, serta dukungan tool dan output terstruktur mencakup sebagian besar beban kerja yang berat dokumen dan berat kode.