OpenAI dévoile GPT‑5.4 Mini et Nano

• Déclinent les performances de GPT‑5.4 dans un format rapide et efficace
• GPT‑5.4 mini progresse fortement par rapport à GPT‑5 mini en codage, raisonnement, compréhension multimodale et usage d’outils, tout en étant plus de deux fois plus rapide
• GPT‑5.4 nano est le modèle le plus petit et le moins cher, adapté à la classification, à l’extraction de données, au ranking et aux tâches de codage d’appoint
• Les deux modèles sont conçus pour des charges de travail où la latence est critique, ce qui les rend avantageux pour l’assistance au codage nécessitant de la réactivité ou pour des applications multimodales en temps réel
• Ils permettent de composer des systèmes d’IA légers optimisant l’équilibre entre vitesse, coût et performances

---

Présentation de GPT‑5.4 mini et nano

• GPT‑5.4 mini et nano sont des versions compactes et hautement efficaces de GPT‑5.4, conçues pour viser des réponses rapides dans des environnements à fort volume
  • mini améliore le codage, le raisonnement, la compréhension multimodale et l’usage d’outils par rapport à GPT‑5 mini
  • nano est le modèle le plus petit et le moins cher, avec de meilleures performances que GPT‑5 nano
• Les deux modèles sont optimisés pour des environnements où la latence a un impact direct sur l’expérience produit (assistance au codage, sous-agents, interprétation de captures d’écran, inférence d’images en temps réel, etc.)
• OpenAI souligne que « le meilleur modèle n’est pas toujours le plus grand » et met en avant la rapidité de réponse et la fiabilité dans l’usage des outils

Comparaison des performances

• Sur les principaux benchmarks, GPT‑5.4 mini obtient des scores supérieurs à GPT‑5 mini et affiche des performances proches de GPT‑5.4
  • SWE‑Bench Pro: GPT‑5.4 57.7%, mini 54.4%, nano 52.4%, GPT‑5 mini 45.7%
  • OSWorld‑Verified: GPT‑5.4 75.0%, mini 72.1%, nano 39.0%, GPT‑5 mini 42.0%
• Sur Terminal‑Bench 2.0, Toolathlon, GPQA Diamond et d’autres, mini affiche une forte efficacité vitesse/performance
• nano offre une efficacité coût optimale dans les environnements où la vitesse et le coût sont essentiels

Workflow de codage

• Les deux modèles conviennent aux environnements de codage nécessitant des itérations rapides
  • Ils fonctionnent avec une faible latence pour l’édition de code, l’exploration de codebases, la génération front-end et les boucles de débogage
• GPT‑5.4 mini affiche un taux de réussite (pass rate) plus élevé pour une latence similaire à celui de GPT‑5 mini, avec un niveau proche de GPT‑5.4
• Dans l’environnement Codex, le grand modèle assure la planification et le jugement, tandis que mini joue un rôle de sous-agent traitant en parallèle les tâches détaillées
  • Ex. : recherche de code, revue de gros fichiers, traitement de documents, etc.
• Cette architecture devient encore plus utile à mesure que la vitesse et les performances des petits modèles s’améliorent

Usage informatique et traitement multimodal

• GPT‑5.4 mini montre aussi de solides performances sur les tâches multimodales liées à l’usage de l’ordinateur
  • Il interprète rapidement les captures d’écran d’interfaces utilisateur complexes pour exécuter des tâches
  • Sur OSWorld‑Verified, il se rapproche de GPT‑5.4 et dépasse largement GPT‑5 mini

Modalités d’accès et tarification

• GPT‑5.4 mini
  • Disponible via API, Codex et ChatGPT
  • Fonctions prises en charge : entrées texte et image, usage d’outils, function calling, recherche web et fichiers, usage informatique, skills
  • Fenêtre de contexte de 400k, $0.75 par million de tokens en entrée, $4.50 par million de tokens en sortie
  • Dans Codex, il n’utilise que 30 % du quota GPT‑5.4 et peut traiter des tâches de codage simples pour environ un tiers du coût
  • Dans ChatGPT, il est proposé comme fonctionnalité « Thinking » aux utilisateurs Free et Go, et sert de modèle de repli (fallback) de GPT‑5.4 Thinking pour les autres utilisateurs
• GPT‑5.4 nano
  • Disponible uniquement via API
  • $0.20 par million de tokens en entrée, $1.25 par million de tokens en sortie

Résultats détaillés supplémentaires des benchmarks

• Codage
  • SWE‑Bench Pro: GPT‑5.4 mini 54.4%, nano 52.4%
  • Terminal‑Bench 2.0: mini 60.0%, nano 46.3%
• Appels d’outils
  • MCP Atlas: mini 57.7%, nano 56.1%
  • Toolathlon: mini 42.9%, nano 35.5%
  • τ2‑bench (communication): mini 93.4%, nano 92.5%
• Évaluation de l’intelligence
  • GPQA Diamond: mini 88.0%, nano 82.8%
  • HLE w/ tool: mini 41.5%, nano 37.7%
• Multimodal et vision
  • MMMUPro w/ Python: mini 78.0%, nano 69.5%
  • OmniDocBench 1.5(no tools): mini 0.1263, nano 0.2419 (plus bas est meilleur)
• Long contexte
  • Graphwalks BFS 0K–128K: mini 76.3%, nano 73.4%
  • MRCR v2 8‑needle 64K–128K: mini 47.7%, nano 44.2%

Évaluation globale

• GPT‑5.4 mini et nano sont des modèles légers maximisant l’équilibre entre vitesse, coût et performances, adaptés aux applications temps réel à grande échelle
• mini peut jouer un rôle central dans des architectures à sous-agents ou des systèmes multimodaux, tandis que nano est efficace pour des tâches simples et à fort volume
• Avec ces deux modèles, OpenAI fournit une base permettant de composer avec souplesse des systèmes d’IA de tailles variées