رونمایی از مدلهای GPT-5.4 mini و GPT-5.4 nano؛ پاسخدهی با سرعت دوبرابر
سید محمدجواد فیاض
- ۷ فروردین ۱۴۰۵
شرکت OpenAI اخیراًَ از ۲ مدل جدید و کوچک خود به نامهای GPT-5.4 mini و GPT-5.4 nano که برای پردازش حجم کاری بالا و حساس به تأخیر (latency-sensitive) طراحی شدهاند رونمایی کرد.
نسخه جدید mini در مقایسه با مدل پیشین GPT-5 mini، ارتقای عملکرد چشمگیری را در زمینههای استدلال، کدنویسی، استفاده از ابزارها و درک چندوجهی ارائه میدهد؛ درحالیکه با سرعتی بیش از دوبرابر اجرا میشود. این مدلها برای کاربردهایی مهندسی شدهاند که در آنها سرعت به طور مستقیم تجربه کاربری را شکل میدهد؛ از جمله دستیارهای کدنویسی واکنشگرا، برنامههای کاربردی چندوجهی لحظهای و سیستمهایی که اسکرینشاتها را ثبت و تفسیر میکنند. این عرضه ثابت میکند که بزرگترین مدل همیشه بهترین انتخاب نیست؛ بلکه سیستمهایی که پاسخگویی سریع دارند و به شکلی قابلاطمینان از ابزارها استفاده میکنند، اغلب برای جریانهای کاری پیچیده و حرفهای برتری دارند.
هر دو مدل GPT-5.4 mini و GPT-5.4 nano اثربخشی استثنایی در محیطهای کدنویسی که نیازمند تکرار سریع هستند، از خود نشان میدهند که این موارد شامل پیمایش پایگاه کد (codebase navigation)، حلقههای رفع باگ (debugging loops)، تولید کد فرانتاند و ویرایشهای هدفمند میشود. بنچمارکها نشان میدهند که مدل GPT-5.4 mini در ارزیابیهایی نظیر SWE-Bench Pro بهدقت مدل پرچمدار GPT-5.4 نزدیک است و یکی از قویترین توازنهای عملکرد به تأخیر را برای توسعهدهندگان به ارمغان میآورد.
یکی از نکات برجسته فنی، ادغام آنها در معماریهای عاملهای فرعی (subagent architectures) است. در پلتفرمهایی مانند Codex، توسعهدهندگان میتوانند یک مدل بزرگتر نظیر GPT-5.4 را برای برنامهریزی پیچیده، هماهنگی و قضاوت نهایی مستقر کنند، درحالیکه وظایف محدودتر را به عاملهای فرعی GPT-5.4 mini محول میکنند. این عاملهای کوچکتر میتوانند اسناد پشتیبان را پردازش، در پایگاههای کد جستوجو و فایلهای حجیم را بهصورت موازی بررسی کنند. این ترکیببندی به سیستمها اجازه میدهد تا سریعتر اجرا شوند و به شکلی کارآمد مقیاسپذیر شوند، بدون آنکه برای عملیاتهای جزئی به یک مدل عظیمِ واحد متکی باشند.
مدل GPT-5.4 mini نیز پیشرفتهای قابلتوجهی را در وظایف چندوجهی، بهویژه در سناریوهای استفاده از رایانه به همراه دارد. این مدل میتواند بهسرعت اسکرینشاتهای متراکم رابط کاربری را تحلیل کرده تا اقداماتی را با دقت بالا اجرا نماید. در بنچمارک OSWorld-Verified، مدل GPT-5.4 mini بهدقت ۷۲٫۱ درصد دست یافت که تقریباً با امتیاز ۷۵ درصدی مدل بزرگتر GPT-5.4 برابری میکند و به شکل چشمگیری از عملکرد ۴۲ درصدی مدل قدیمیتر GPT-5 mini پیشی میگیرد.
برای وظایف پشتیبانی سادهتر، GPT-5.4 nano کوچکترین و مقرونبهصرفهترین گزینه محسوب میشود. شرکت OpenAI این مدل را برای استخراج دادهها، طبقهبندی، رتبهبندی و وظایف سبک کدنویسی که در آنها سرعت و بهرهوری هزینه از اهمیت حیاتی برخوردارند، توصیه میکند.
مدل GPT-5.4 mini در حال حاضر از طریق API، سرویس Codex و ChatGPT در دسترس است. در محیط API، این مدل دارای یک پنجره زمینه عظیم ۴۰۰ هزار توکنی است که از ورودیهای متن و تصویر، فراخوانی تابع (function calling)، جستجوی وب و استفاده از رایانه پشتیبانی میکند. هزینه این مدل ۰٫۷۵ دلار بهازای هر یک میلیون توکن ورودی و ۴٫۵۰ دلار بهازای هر یک میلیون توکن خروجی تعیین شده است. در Codex، توسعهدهندگان میتوانند وظایف روتین کدنویسی را با استفاده از GPT-5.4 mini با هزینهای در حدود یکسوم مدیریت کنند و تنها از ۳۰ درصد سهمیه استاندارد GPT-5.4 بهره ببرند.
کاربران نسخههای Free و Go در ChatGPT میتوانند از طریق ویژگی Thinking به این مدل دسترسی داشته باشند. درعینحال، این مدل بهعنوان یک جایگزین در زمان رسیدن به محدودیت میزان استفاده برای سایر سطوح اشتراک عمل میکند.
نسخه nano همچنان بهصورت انحصاری از طریق API در دسترس است و قیمت آن ۰٫۲۰ دلار بهازای هر یک میلیون توکن ورودی و ۱٫۲۵ دلار بهازای هر یک میلیون توکن خروجی است. این قالببندی با ترجیح کاربر برای ساختارهای فنی، حرفهای و بدون جدول همخوانی دارد.
