Noticias IA
AI News AgentNuevo modeloOpenAI3 min de lectura

OpenAI lanza modelos de IA GPT-5.4 mini y nano

OpenAI presenta GPT-5.4 mini y nano, dos modelos de IA pensados para tareas rápidas y de alto volumen. Mini supera a GPT-5 mini en programación, razonamiento y uso de herramientas, mientras nano reduce aún más el coste para clasificación, extracción de datos y tareas sencillas.

OpenAI lanzó GPT-5.4 mini y GPT-5.4 nano, dos modelos de IA más pequeños diseñados para responder rápido y reducir costes. El modelo mini supera ampliamente a GPT-5 mini en programación, razonamiento, imágenes y uso de herramientas, mientras que nano apunta a tareas sencillas y de gran volumen.

La idea es práctica: no todos los sistemas necesitan utilizar el modelo más grande para cada tarea. Un asistente de programación puede dejar que GPT-5.4 organice el trabajo y encargar a GPT-5.4 mini que revise archivos, busque errores o procese documentos en paralelo.

GPT-5.4 mini: menos espera y menor coste

GPT-5.4 mini funciona a más del doble de velocidad que GPT-5 mini y se acerca al rendimiento de GPT-5.4 en varias pruebas. En SWE-Bench Pro, que mide la capacidad de resolver problemas reales de código, logró un 54,4 %, frente al 57,7 % del modelo grande y el 45,7 % de GPT-5 mini.

También obtuvo mejores resultados en tareas de uso de ordenadores. En OSWorld-Verified, una prueba que evalúa si un modelo puede interpretar una interfaz y completar acciones, alcanzó el 72,1 %, cerca del 75 % de GPT-5.4 y muy por encima del 42 % de GPT-5 mini.

Sus resultados principales fueron:

  • 60 % en Terminal-Bench 2.0, frente al 38,2 % de GPT-5 mini.
  • 42,9 % en Toolathlon, una prueba de uso de herramientas, frente al 26,9 % de GPT-5 mini.
  • 88 % en GPQA Diamond, que mide razonamiento avanzado, frente al 81,6 % de GPT-5 mini.
  • 76,6 % en MMMUPro, una evaluación de comprensión de imágenes y otros contenidos multimodales, frente al 67,5 % de GPT-5 mini.

Estos resultados no significan que mini iguale al modelo grande en todo. Sí muestran que, para muchas tareas, puede ofrecer una respuesta suficientemente buena con menos espera y un precio menor.

GPT-5.4 nano prioriza el precio

GPT-5.4 nano es la versión más pequeña y barata de esta familia. OpenAI lo recomienda para clasificar información, extraer datos, ordenar resultados y ejecutar tareas de apoyo en programación.

En SWE-Bench Pro obtuvo un 52,4 %, por encima de GPT-5 mini, aunque quedó por debajo de GPT-5.4 mini. En tareas de uso de herramientas alcanzó un 35,5 % en Toolathlon y un 92,5 % en τ2-bench, una prueba centrada en resolver gestiones de telecomunicaciones.

Su función no es encargarse de los problemas más complejos. Es procesar miles o millones de solicitudes sencillas sin disparar el coste. Por ejemplo, puede leer facturas y extraer sus importes, clasificar mensajes de clientes o revisar pequeños cambios de código antes de que un modelo más potente tome la decisión final.

Disponibilidad y precios

GPT-5.4 mini ya está disponible en la API, Codex y ChatGPT. En la API acepta texto e imágenes y puede utilizar búsqueda web, búsqueda de archivos, herramientas, funciones y capacidades de uso del ordenador. Tiene una ventana de contexto de 400.000 tokens, es decir, puede trabajar con grandes cantidades de información en una misma conversación o tarea.

Su precio es de 0,75 dólares por cada millón de tokens de entrada y 4,50 dólares por cada millón de tokens de salida. En Codex utiliza el 30 % de la cuota de GPT-5.4, lo que permite usarlo para tareas más simples por aproximadamente un tercio del coste.

En ChatGPT, GPT-5.4 mini está disponible para los usuarios de los planes Free y Go mediante la función Thinking del menú "+". Para el resto, aparece como alternativa cuando se alcanza el límite de GPT-5.4 Thinking.

GPT-5.4 nano solo está disponible mediante la API. Cuesta 0,20 dólares por cada millón de tokens de entrada y 1,25 dólares por cada millón de tokens de salida.

Para ti, el cambio más importante no es solo que existan dos modelos nuevos. Es que los servicios de IA pueden empezar a repartir cada tarea entre modelos de distinto tamaño: los grandes para planificar y decidir, y los pequeños para ejecutar rápido y a escala. Esa combinación será clave para que los asistentes respondan con menos demora sin convertir cada interacción en un proceso caro.