gpt-5.4-nano-1009

gpt-5.4-nano is the lowest-cost model in the OpenAI GPT-5.4 series for simple high-frequency tasks. The official model catalog recommends using the nano level for throughput-prioritized scenarios, such as label classification, text cleaning, short summaries, field extraction, routing judgment, batch quality inspection, and lightweight customer service intent recognition. It is suitable for completing pre-screening or post-formatting in a multi-model architecture, rather than undertaking complex reasoning and open research. When used, you should limit the output to an explicit schema, prepare evaluation samples that cover edge cases, and refer to human or higher-capability models when confidence is low or rules conflict.

Context
400000 tokens
Max output
128000 tokens
Input
llm image
Output
llm

Pricing

Input: $0.2 / 1M tokens

Output: $1.25 / 1M tokens

Cached input: $0.020000000000000004 / 1M tokens

Endpoints

  • openai

More models

  • MiniMax-M2.7

    MiniMax-M2.7于2026年3月推出，是MiniMax首个深度参与自身迭代的模型。M2.7内置Agent Harness框架，能够自主构建复杂的技能集、更新自身记忆，并通过强化学习驱动迭代优化，形成“模型驱动模型进化”的闭环。一个内部版本在100余轮自我优化中将编程脚手架性能提升了30%。在软件工程基准SWE-Pro上，M2.7得分56.22%，VIBE-Pro得分55.6%，接近Opus 4.6水平。M2.7对Office三件套的复杂编辑能力显著增强，GDPval-AA ELO得分1495为开源最高。在40个复杂技能（单技能超过2000 Token）的案例中，M2.7保持了97%的技能遵循率。

  • claude-sonnet-4-5-20250929

    Claude Sonnet 4.5 的日期固定模型标识，适合需要较高质量同时关注响应效率和成本的通用生产场景。它可用于复杂问答、长文档分析、编程辅助、工具调用、知识库问答、内容生成和多步骤业务流程。该版本具有上下文感知能力，能够在较长会话或智能体流程中更好地管理剩余上下文。由于日期后缀代表固定版本，适合需要稳定回归测试和可重复输出行为的团队；选型时仍应评估其生命周期，并为后续迁移预留空间。

  • MiniMax-M2.1

    MiniMax-M2.1于2025年12月发布，采用混合专家架构（MoE），总参数量约230B，激活参数约10B。其核心定位是破解主流AI编程工具在多语言适配和复杂任务执行上的短板，系统性强化了Rust、Java、Golang、C++、Kotlin、TypeScript等语言的编程能力，覆盖从后端系统到移动端原生开发的完整链路。M2.1引入了设计美学感知能力，可生成兼具功能性与视觉表现力的交互界面和3D场景，使“vibe coding”成为可交付的生产实践。相比M2，M2.1的回复和思维链更加简洁，响应速度显著提升，Token消耗明显下降。在Agent场景中，M2.1在Claude Code、Cline等主流编程工具框架下展现出稳定的泛化能力。

  • gpt-5.6-terra-1009