openai
OpenAI: GPT-4.1 Nano (batch)
openai/gpt-4.1-nano:batch
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Según el catálogo de OpenRouter, openai/gpt-4.1-nano:batch es la variante en modo por lotes del GPT-4.1 Nano de OpenAI, que el catálogo describe como el modelo más rápido y económico de la serie GPT-4.1, orientado a tareas de baja latencia. Acepta texto, imágenes y archivos como entrada y genera texto, con una ventana de contexto de aproximadamente un millón de tokens y soporte para herramientas y salidas estructuradas. El catálogo también reporta resultados de arena y un índice de codificación, pero no había una ficha de modelo independiente en este paquete de fuentes, por lo que conviene validar sus capacidades con cargas de trabajo reales.[1]
Puntos fuertes
- El catálogo de OpenRouter describe GPT-4.1 Nano como el modelo más rápido y barato de su serie, orientado a tareas de baja latencia; es una descripción del proveedor, no un resultado medido de forma independiente.[1]
- El catálogo indica entrada multimodal (texto, imagen y archivo) con salida de texto, una ventana de contexto de aproximadamente un millón de tokens y soporte para herramientas, tool choice y salidas estructuradas.[1]
- El catálogo reporta entradas en arenas de diseño en varias categorías y un índice de codificación de Artificial Analysis para el modelo canónico subyacente.[1]
Limitaciones
- La única evidencia es el catálogo de OpenRouter; no había una ficha de modelo independiente en este paquete de fuentes, por lo que las afirmaciones del proveedor no están verificadas.[1]
- El campo de razonamiento del catálogo es nulo y sus índices agéntico y de inteligencia están vacíos, por lo que esas capacidades quedan sin caracterizar.[1]
- Es una variante por lotes; la fuente no documenta su comportamiento de servicio, por lo que su idoneidad para cargas interactivas o diferidas requiere validación.[1]
Dónde utilizarlo
- Podría servir para procesamiento de texto no interactivo y de alto volumen donde interesen un endpoint por lotes y precios por token bajos en el catálogo; valide primero rendimiento y precisión.[1]
- Candidato para canalizaciones de documentos o multimodales (imagen, archivo) de gran contexto, según las modalidades de entrada y la ventana de contexto indicadas en el catálogo.[1]
- Se podría probar en extracción estructurada o flujos con herramientas, ya que el catálogo lista structured_outputs, tools y tool_choice como parámetros soportados.[1]
Fuentes
- [1] OpenRouter catalog · OpenAI: GPT-4.1 Nano (batch)Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
For tasks that demand low latency, GPT‑4.1 nano is the fastest and cheapest model in the GPT-4.1 series. It delivers exceptional performance at a small size with its 1 million...
Especificaciones
- ID del modelo
- openai/gpt-4.1-nano:batch
- ID canónico
- openai/gpt-4.1-nano-2025-04-14
- Creador
- openai
- Añadido a OpenRouter
- 14.04.2025
- Longitud de contexto
- 1,047,576
- Modalidad
- text+image+file->text
- Modalidades de entrada
- image, text, file
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.050 / salida $0.200
- Corte de conocimiento
- 30.06.2024
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | — |
| Programación | CC — por debajo de la franja B | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | — |
| Análisis de documentos | Sin medición | entrada: file |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Coding index | 11.1 | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 46% · posición 128 | 908Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 47.3% · posición 137 | 953Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 41.1% · posición 132 | 889Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 49.6% · posición 131 | 961Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 43.9% · posición 134 | 907Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 48.1% · posición 139 | 966Elo | CC — por debajo de la franja B | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| OpenAI | 1,047,576 | $0.050 | $0.200 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.