OpenAI dévoile GPT-5.4 mini et nano pour le code, les sous-agents et les charges IA massives

OpenAI a lancé GPT-5.4 mini et GPT-5.4 nano, deux versions compactes de sa gamme phare, conçues non pas pour des raisonnements record, mais pour des usages rapides et massifs. L'entreprise mise sur des modèles moins chers et plus rapides qui conservent une part notable des capacités du GPT-5.4 complet.

Les atouts de mini

GPT-5.4 mini est l'aîné des deux nouveautés. Selon OpenAI, il progresse nettement par rapport à GPT-5 mini en programmation, en logique, en usage d'outils et en analyse multimodale, et il est plus de deux fois plus rapide. Sur le benchmark SWE-Bench Pro, le modèle obtient 54,4 %, contre 45,7 % pour GPT-5 mini. Sur OSWorld-Verified, qui évalue la capacité à travailler avec des interfaces à partir de captures d'écran, il atteint 72,1 %, contre 42,0 % pour la version mini précédente.

Cela compte au-delà des jolis graphiques. OpenAI positionne explicitement GPT-5.4 mini comme un modèle de travail pour les tâches où l'utilisateur ressent la latence : autocomplétion et modification de code, boucles de débogage rapides, sous-agents pour les opérations annexes, et systèmes qui lisent des captures d'écran et interagissent avec une interface. L'idée est simple : inutile de confier chaque tâche au modèle le plus cher si une version plus petite fait presque aussi bien, mais nettement plus vite.

À quoi sert nano

GPT-5.4 nano est le modèle le plus petit et le moins cher de la nouvelle gamme. OpenAI ne le recommande pas comme moteur de chat généraliste, mais comme outil utilitaire pour des opérations simples et fréquentes. Ce sont des cas où le throughput compte plus que la profondeur de raisonnement : traitement de flux de documents, classification, extraction de champs, classement de résultats et appui à des sous-tâches de code simples. Même nano obtient 52,4 % sur SWE-Bench Pro, devançant lui aussi nettement GPT-5 mini.

Ensemble, mini et nano s'intègrent bien dans une architecture où un grand modèle planifie le travail et plusieurs petits l'exécutent en parallèle. C'est le scénario qu'OpenAI met en avant dans Codex : GPT-5.4 peut coordonner le processus, tandis que GPT-5.4 mini prend en charge des tâches ciblées comme la recherche dans la base de code, la lecture de gros fichiers et le traitement de la documentation. Cette répartition aide à maîtriser à la fois la latence et le budget.

• Assistants IA rapides pour écrire et modifier du code
• Sous-agents pour la recherche dans les dépôts et l'analyse de gros fichiers
• Outils qui comprennent les captures d'écran et pilotent des interfaces
• Classification, extraction de données et classement dans des pipelines à gros volume
• Exécution moins coûteuse des tâches annexes sans perte de qualité globale du système

Accès et tarifs

Au 17 mars 2026, GPT-5.4 mini est disponible d'emblée dans l'API, Codex et ChatGPT. Dans l'API, le modèle prend en charge le texte, les images, l'appel de fonctions, web search, file search, computer use et skills. La fenêtre de contexte est de 400 000 tokens, et le tarif est de 0,75 dollar par million de tokens en entrée et de 4,50 dollars par million de tokens en sortie. Pour les services qui traitent beaucoup de requêtes parallèles, c'est l'un des principaux arguments.

Dans Codex, mini ne consomme que 30 % du quota du GPT-5.4 complet, ce qui permet de l'utiliser pour des sous-tâches parallèles peu coûteuses. Dans ChatGPT, le modèle joue un rôle plus limité : pour les utilisateurs Free et Go, il est accessible via le mode Thinking, et pour les autres, il sert de solution de repli lorsque la limite de GPT-5.4 Thinking est atteinte.

GPT-5.4 nano, lui, n'est disponible que via l'API et coûte 0,20 dollar par million de tokens en entrée et 1,25 dollar par million de tokens en sortie.

Ce que cela change

OpenAI construit de plus en plus sa gamme non pas autour d'un seul « meilleur » modèle, mais autour d'un ensemble de rôles : le grand modèle réfléchit et coordonne, les petits expédient rapidement la routine. Pour les développeurs et les produits d'IA, c'est une bonne nouvelle : le coût des systèmes agentiques peut baisser sans chute brutale de qualité, surtout là où la vitesse, le parallélisme et un fort volume de requêtes comptent.