openai
OpenAI: GPT-5.4
openai/gpt-5.4
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
GPT-5.4 is OpenAI’s latest frontier model, unifying the Codex and GPT lines into a single system. It features a 1M+ token context window (922K input, 128K output) with support for...
Especificaciones
- ID del modelo
- openai/gpt-5.4
- ID canónico
- openai/gpt-5.4-20260305
- Creador
- openai
- Añadido a OpenRouter
- 05.03.2026
- Longitud de contexto
- 1,050,000
- Modalidad
- text+image+file->text
- Modalidades de entrada
- text, image, file
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $2.5 / salida $15
- Corte de conocimiento
- —
- 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 | razonamiento: opcional · predeterminado medium · esfuerzos: xhigh, high, medium, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | AA — siguiente 20% de la cohorte | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado medium · esfuerzos: xhigh, high, medium, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| 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 | 71.1 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 42.3% · posición 96 | 1,084Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 55.4% · posición 28 | 1,194Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 52.5% · posición 63 | 1,203Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 56.6% · posición 43 | 1,233Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 57.6% · posición 44 | 1,229Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 57.8% · posición 35 | 1,185Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 57.4% · posición 48 | 1,232Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 52.5% · posición 64 | 1,213Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · androidnativetasa de victoria 47.7% · posición 42 | 1,021Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · fullstacktasa de victoria 40.9% · posición 41 | 995Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · godotgamedevtasa de victoria 46.9% · posición 24 | 1,135Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 46.1% · posición 47 | 1,081Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 40.3% · posición 43 | 1,041Elo | 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 | 1,050,000 | $1.25 | $7.5 | — | — | — |
| Azure | 1,050,000 | $2.5 | $15 | — | — | 100% |
| OpenAI | 1,050,000 | $2.5 | $15 | — | — | 100% |
| Azure | 1,050,000 | $2.75 | $16.5 | — | — | — |
| Azure | 1,050,000 | $2.75 | $16.5 | — | — | 100% |
| Amazon Bedrock | 1,050,000 | $2.75 | $16.5 | — | — | — |
| OpenAI | 1,050,000 | $5 | $30 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
- Gondola afirma que sus ingresos se más que duplicaron al crear con Codex y ChatGPTCaso de cliente de OpenAI: Gondola afirma que Codex elevó un 25 % la producción de ingeniería y que los ingresos se más que duplicaron interanualmente, mientras ChatGPT automatiza las operaciones diarias de su pequeño equipo.
- Un estudio de OpenAI vincula la pérdida de transparencia de la cadena de pensamiento con el equilibrio entre capacidad y cómputoUn análisis del equipo de seguridad de OpenAI atribuye la menor monitorización de modelos frontera como GPT-6 Astra a cuatro factores del entrenamiento, y describe la pérdida de razonamiento visible como un compromiso entre seguridad, capacidad y coste.
- Las API por lotes de los LLM reducen el precio a la mitad, pero solo para el tráfico que puede esperarUn blog de modelado de costes explica cómo los descuentos por lotes solo aplican a llamadas aplazables, por qué lote y caché se acumulan multiplicativamente, el error de facturación que esto causó y por qué bajar de nivel de modelo suele ahorrar más.