OpenAI przedstawiła GPT‑5.4 mini i nano – niewielkie warianty głównego modelu, przeznaczone do zadań o wysokim obciążeniu.

OpenAI wypuszcza kompaktowe wersje GPT‑5.4

Firma ogłosiła uruchomienie dwóch nowych małych modeli AI – GPT‑5.4 mini i GPT‑5.4 nano, które łączą kluczowe możliwości pełnowymiarowego GPT‑5.4, ale przy tym działają szybciej i wymagają mniej zasobów.

Co nowego?
Model | Kluczowe cechy | Gdzie się przyda
---|---|---
GPT‑5.4 mini | • Ulepszony generator kodu
• Więcej logicznego rozumowania
• Zarządzanie zewnętrznymi narzędziami
• Szybkość ponad dwukrotnie wyższa niż GPT‑5 mini
• Wyniki na poziomie pełnowymiarowego GPT‑5.4 w testach SWE‑Bench Pro i OSWorld‑Verified | • Szybkie AI‑asystenty do kodu
• Subagenty wykonujące zadania pomocnicze
• Aplikacje multimodalne (rozpoznawanie zrzutów ekranu, sterowanie UI)
• Chatboty (przy przekroczeniu limitów GPT‑5.4 Thinking w ChatGPT automatycznie przełączają się na mini)
GPT‑5.4 nano | • Najbardziej kompaktowy i szybki model rodziny GPT‑5.4
• Znacznie przewyższa GPT‑5 nano
• Ekstrakcja, klasyfikacja i ranking danych
• Subagenty do podstawowych zadań |

Jak to działa w praktycznych scenariuszach
- Codex: Starszy model GPT‑5.4 koordynuje pracę równoległych subagentów oparte na GPT‑5.4 mini. Pozwala to, np., wyszukiwać kod w repozytorium, analizować duże pliki i pracować z dokumentacją – wszystko bez użycia najcięższego modelu.

- Rozwój: Zespoły korzystają z „większego” modelu do podejmowania decyzji, a małe modele szybko realizują te decyzje na dużych zbiorach danych. GPT‑5.4 mini również efektywnie zarządza interfejsem użytkownika PC.

Dostęp i ceny
Model | Gdzie dostępny | Limit tokenów | Cena (wejściowa) | Cena (wyjściowa)
---|---|---|---|---
GPT‑5.4 mini | Codex app, CLI, rozszerzenie IDE, interfejs webowy, API | 400 000 tokenów | $0,75/milion | $4,50/milion | Konsumpcja kwoty: 30 % od GPT‑5.4
GPT‑5.4 nano | Tylko API | – | $0,20/milion | $1,25/milion

W ten sposób OpenAI rozszerzyła zakres swoich rozwiązań AI, oferując szybkie i ekonomiczne warianty dla zadań, gdzie szybkość i efektywność są ważniejsze niż pełna moc modelu.