OpenAI: GPT-5.2 Pro (batch)

GPT-5.2 Pro é um modelo de texto da OpenAI, listado em api14 como openai/gpt-5.2-pro:batch. Ele está na categoria de texto e é descrito pelo provedor como o modelo mais avançado da OpenAI, com melhorias importantes em codificação agêntica e desempenho em contexto longo em relação ao GPT-5 Pro. A data de lançamento do provedor é 2025-12-10. O sufixo batch no id do modelo indica a variante em lote desse modelo.

O modelo aceita entradas de imagem, texto e arquivo, e retorna apenas texto. Sua janela de contexto é de 400.000 tokens, e a saída máxima é de 128.000 tokens. Ele é otimizado para tarefas complexas que exigem raciocínio passo a passo, e expõe controles de raciocínio por meio de seus parâmetros suportados, para que você possa ajustar quanto esforço de raciocínio interno o modelo aplica e se o conteúdo de raciocínio é incluído na resposta.

Por causa da grande janela de contexto e do foco em raciocínio, o modelo se encaixa em trabalhos em que muito material precisa ser considerado de uma só vez: documentos longos, bases de código grandes e repositórios com vários arquivos, e tarefas de codificação agêntica que envolvem planejar e executar várias etapas. A entrada de arquivo e imagem amplia isso para tarefas que misturam texto corrido, código e material visual, como revisar uma especificação junto com diagramas, ou extrair dados estruturados de documentos digitalizados. Saídas estruturadas e chamada de ferramentas tornam o modelo utilizável como o núcleo de raciocínio de um pipeline automatizado, e não apenas como um endpoint de chat.

Você o chama por meio da API compatível com OpenAI da api14 usando o id de modelo openai/gpt-5.2-pro:batch. Os parâmetros de requisição suportados são include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, tool_choice, tools e verbosity. Na prática, isso significa que você pode limitar o comprimento da saída com max_tokens, controlar a profundidade do raciocínio com reasoning e reasoning_effort, solicitar respostas legíveis por máquina com response_format ou structured_outputs, definir funções chamáveis com tools e tool_choice, e ajustar o estilo da resposta com verbosity. O parâmetro seed permite tornar a amostragem mais reproduzível onde isso for importante.

Dois pontos práticos decorrem dos fatos. A saída é apenas texto, então, se sua aplicação precisa de imagens ou áudio gerados, este modelo não é o adequado. A variante em lote também vale a pena ser verificada em relação às suas necessidades de latência, já que endpoints no estilo lote normalmente trocam imediatez por throughput; se você precisa de tempos de resposta interativos, confirme o comportamento dessa variante antes de adotá-la. Caso contrário, para raciocínio em contexto longo, codificação agêntica e extração estruturada, a combinação de uma janela de contexto de 400.000 tokens, um teto de saída de 128.000 tokens e suporte a ferramentas cobre uma ampla variedade de cargas de trabalho de produção.