Construire avec CometAPIBesoin d'une seule API pour plusieurs modèles ?Testez le workflow dans Playground, puis créez une clé API lorsque le modèle et le coût correspondent à votre cas d'usage.
Comment utiliser l'API GPT-5.4 : guide d'utilisation des paramètres et des outils - CometAPI
Comment utiliser l'API GPT-5.4 : guide d'utilisation des paramètres et des outils
GPT-5.4 est le nouveau modèle de pointe d’OpenAI, optimisé pour des travaux professionnels complexes : grande fenêtre de contexte (≈ 1,05 M de tokens), computer-use intégré + outillage amélioré (chargement différé des outils / tool_search), nouveaux contrôles de raisonnement, et une variante « Pro » à calcul intensif pour les problèmes plus difficiles. Ce guide explique ce qu’est GPT-5.4, les améliorations clés, comment l’appeler depuis l’API Responses (exemples en Python et JavaScript), les contrôles de paramètres (reasoning.effort, text.verbosity, flags d’outillage), et comment utiliser les outils en toute sécurité (y compris l’outil « computer use »).
Du 5 au 7 mars 2026, OpenAI a déployé publiquement GPT-5.4, un modèle de pointe explicitement optimisé pour les workflows professionnels, riches en documents et agentiques. La sortie met en avant trois avancées convergentes : (1) des fenêtres de contexte considérablement plus grandes (≈ 1 050 000 tokens), (2) une nouvelle capacité de « reasoning » permettant aux développeurs de contrôler l’effort de raisonnement interne, et (3) une utilisation de l’ordinateur et une orchestration d’outils de premier ordre, ainsi qu’une meilleure compréhension multimodale (texte + images + captures d’écran). Ces fonctionnalités rendent GPT-5.4 particulièrement adapté à des tâches telles que la modélisation de tableaux, l’examen de contrats, la génération de présentations, les workflows agentiques multi-étapes et l’écriture de code opérant des systèmes en direct.
Vous pouvez essayer sur . Une variante à plus fort calcul — — est disponible pour les charges de travail de raisonnement les plus difficiles et multi-tours.
Qu’est-ce que GPT-5.4 (y compris les variantes Thinking et Pro)
La famille de modèles, en bref
GPT-5.4 est positionné comme le modèle GPT-5 « de pointe » pour le travail professionnel complexe : documents longs, code, raisonnement multi-étapes et workflows agentiques. Cette version regroupe des capacités auparavant séparées entre Codex (codage) et la ligne GPT — vous obtenez donc un seul modèle capable de coder, raisonner, utiliser des outils et gérer de longs contextes. Le guide officiel liste gpt-5.4 comme valeur par défaut pour la plupart des tâches et gpt-5.4-pro pour les problèmes les plus ardus.
Caractéristiques clés (officielles) :
Fenêtre de contexte : ~1 050 000 tokens (≈ 700–800k mots en anglais), ce qui permet des entrées très volumineuses comme des brouillons de livres entiers, des bases de code multi-fichiers ou de longs documents juridiques.
Nombre maximal de tokens de sortie : des rapports indiquent que de très grands volumes sont pris en charge (p. ex. jusqu’à 128 000 tokens dans certaines configurations Pro).
Variantes :gpt-5.4 (par défaut), gpt-5.4-pro (plus de calcul, réflexion plus longue) et des modèles allégés/mini pour les cas sensibles au coût.
« Thinking » et « Pro » expliqués
GPT-5.4 Thinking : un mode réglé pour le raisonnement interactif. Il met l’accent sur des workflows « planifier d’abord » — le modèle peut présenter un plan initial (« upfront plan ») avant de générer des résultats complets, permettant une orientation en cours de génération et réduisant le gaspillage de tokens dans de mauvaises directions. Ce mode améliore la visibilité sur les étapes prévues et rend les tâches longues plus sûres et plus contrôlables.
GPT-5.4 Pro : la variante à haut calcul pour les problèmes les plus difficiles — chaîne de pensée plus profonde, budgets de calcul internes plus importants, et résultats plus déterministes/stables sur des benchmarks exigeants. Exposé via la Responses API, il est destiné aux tâches multi-tours à fort raisonnement (attendez-vous à une latence et un coût plus élevés).
Améliorations clés et nouvelles fonctionnalités de GPT-5.4
Fenêtres de contexte massives (≈ 1 050 000 tokens)
C’est l’une des améliorations phares : un modèle capable d’ingérer et de raisonner sur des livres entiers, des bases de code multi-fichiers, ou des ensembles de documents d’entreprise sans les diffuser par morceaux. Concrètement, cela simplifie des tâches comme l’examen de contrats de bout en bout, le résumé de documents complets et le questions-réponses multi-documents. Cas d’usage : due diligence juridique, audits techniques et journaux d’agents.
Note pratique : la fenêtre de contexte plus large change la conception des systèmes — au lieu d’un découpage agressif, vous pouvez conserver davantage d’état « global » dans le contexte, mais vous devriez toujours utiliser la compactage (voir Contrôle des paramètres) pour maintenir des coûts raisonnables.
Utilisation native de l’ordinateur et intégrations d’outils
GPT-5.4 est le premier modèle généraliste avec des capacités natives d’utilisation de l’ordinateur : génération de séquences d’actions navigateur ou OS (scripts Playwright, événements clavier/souris), lecture de captures d’écran, interaction avec des interfaces Web et orchestration de workflows multi-outils. C’est une étape majeure vers la construction d’agents autonomes réalisant des tâches de bout en bout.
GPT-5.4 inclut une utilisation de l’ordinateur intégrée : le modèle peut interagir avec des agents logiciels locaux/distants, appeler des connecteurs, manipuler des feuilles de calcul, prendre des captures d’écran et automatiser des workflows multi-étapes lorsqu’il y est autorisé. Cela réduit le code « colle » : au lieu de construire des enveloppes d’instructions fragiles, le modèle peut opérer en boucle construire-exécuter-vérifier-corriger (comportement agentique) via des APIs d’outils documentées. C’est un grand pas vers des agents autonomes sûrs et pratiques.
Modes de raisonnement et reasoning.effort
Un paramètre réglable reasoning.effort vous permet de contrôler l’ampleur du calcul interne que le modèle investit dans la chaîne de pensée et la recherche de solution (options : none, low, medium, high, xhigh). Un effort plus élevé produit de meilleures réponses pour les problèmes complexes mais coûte plus cher et augmente la latence — idéal pour gpt-5.4-pro.
Planification en amont / plans interactifs
Les « plans en amont » permettent au modèle de produire un court plan avant une génération longue. Ce plan peut être inspecté et modifié par le développeur ou l’utilisateur, minimisant les sorties gaspillées et permettant des corrections de trajectoire en cours de tâche (idéal pour la création de longs documents ou les analyses multi-étapes).
Meilleures aptitudes multimodales/de document
Les benchmarks et évaluations internes publiés avec le modèle montrent de grands gains sur les tâches de feuille de calcul (exemple d’évaluation interne : moyenne GPT-5.4 87,3 % vs GPT-5.2 68,4 %) et une préférence humaine pour les présentations générées (présentations de GPT-5.4 préférées à 68 % vs GPT-5.2 dans des essais humains). L’entreprise signale également une réduction des erreurs factuelles (taux de fausses affirmations individuelles d’environ −33 %, taux d’erreurs de réponse complète d’environ −18 % par rapport à GPT-5.2).
Comment utiliser l’API GPT-5.4 (Responses API / Chat API)
GPT-5.4 pro ne prend en charge que l’accès par réponses. GPT-5.4 (thinking) prend en charge le chat et les réponses. CometAPI (une plateforme d’agrégation tout-en-un pour les APIs de grands modèles avec remises) propose la série GPT-5.4, deux modes d’accès et des playgrounds compatibles et utiles.
Remarque : la Responses API est l’intégration recommandée pour les modèles GPT-5.x car elle prend directement en charge les paramètres de raisonnement, l’enregistrement d’outils et des tailles de contexte plus grandes.
Python — Responses API (exemple)
# pip install openai (or use the official package named in docs)
from openai import OpenAI
import os
api_key = os.environ.get("OPENAI_API_KEY") # or set env var
client = OpenAI(api_key=api_key)
resp = client.responses.create(
model="gpt-5.4-pro-2026-03-05",
input="How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
reasoning={"effort": "high"}, # hidden internal reasoning tokens used
max_output_tokens=4096, # keep below max output limit for your use case
temperature=0.0, # deterministic for legal/technical tasks
tools=[ # optionally register tools the model can call
{
"name": "file_search",
"type": "file_search",
"config": {"root": "/mnt/data/contracts"}
}
],
response_format={"type":"json", "json_schema":{
"name":"redlines",
"schema":{"type":"object","properties":{"summary":{"type":"string"},"redlines":{"type":"array","items":{"type":"object"}}}}
}}
)
print(resp.output_text) # final model answer
Notes : reasoning est un objet contrôlant l’effort interne ; tools enregistre les interfaces d’outils disponibles que le modèle peut appeler ; response_format impose une sortie structurée. Les valeurs d’étiquette reasoning.effort disponibles vont de none (le plus rapide) à xhigh (effort interne maximal) selon le SDK et le support du fournisseur. Utilisez un effort faible pour des résumés simples ; augmentez-le pour des tâches complexes et multi-étapes.
Utiliser des outils avec GPT-5.4 (Computer Use, connecteurs et agents)
Le bond le plus pratique de GPT-5.4 tient à son comportement agentique, conscient des outils : il peut découvrir et appeler le bon outil, opérer sur des feuilles de calcul et des interfaces utilisateur lorsqu’il y est autorisé, et raisonner sur les actions qu’il entreprendra.
GPT-5.4 est conçu pour fonctionner avec des outils. Trois grandes classes d’outils sont à considérer :
Outils hébergés (p. ex. web_search, file_search) — le modèle peut les appeler dans la boucle de réponse. Idéal pour récupérer des infos à jour ou interroger des bases vectorielles.
Outils personnalisés / appels de fonctions — vos propres endpoints serveur ou schémas de fonctions. Déclarez des fonctions (schémas) pour que le modèle retourne des sorties structurées que votre code exécute.
Computer use — le modèle émet des actions GUI et attend un harnais pour les exécuter (clics, saisie, captures d’écran). C’est puissant mais à haut risque.
Lorsque vous avez des dizaines/centaines d’outils, passez tool_search et laissez le modèle découvrir les schémas d’outils pertinents à l’exécution. Cela réduit l’usage de tokens et met en cache les performances à travers les déploiements.
Découverte d’outils : le modèle trouve les connecteurs disponibles (p. ex. Google Sheets, Salesforce, base de données interne) sur la base d’un catalogue.
Plan & permission : le modèle produit un plan en amont décrivant quels outils il appellera et pourquoi ; ceci est revu et approuvé.
Appel & vérification : le modèle appelle les outils (via des connecteurs ou des APIs d’action), lit les résultats, et exécute des vérifications (ou demande une confirmation humaine).
Boucle de correction : en cas d’échec, le modèle tente des réparations ou demande des indications.
Ce schéma réduit l’orchestration personnalisée fragile et centralise la logique dans le modèle, mais il exige des contrôles d’accès stricts et des journaux d’audit.
Appels avec tools (web_search / file_search / computer use)
La Responses API prend en charge le passage d’un tableau tools. Le modèle peut choisir des outils (outils hébergés comme web_search, file_search), ou vous pouvez pré-déclarer et restreindre les outils. Exemple : demander au modèle d’utiliser la recherche Web.
response = client.responses.create( model="gpt-5.4", input="What are the three most-cited 2025 papers on federated learning?", tools=[{"type": "web_search", "name": "web_search"}], tool_search={"enabled": True})
Si vous passez de nombreuses définitions d’outils, tool_search permet à GPT-5.4 de différer le chargement de la plupart des outils et de ne charger que les pertinents — crucial pour de grands écosystèmes d’outils.
Guide de compatibilité et de contrôle des paramètres de GPT-5.4
Les paramètres traditionnels des LLM existent toujours mais sont restreints selon le mode de raisonnement.
Paramètres principaux de l’API GPT-5.4
reasoning.effort : Les paramètres suivants sont pleinement pris en charge et recommandés lors des appels à GPT-5.4. Contrôle la quantité de raisonnement interne que le modèle effectue avant de générer la sortie finale.
Valeurs prises en charge :
nonelowmediumhighxhigh
Exemple :
response = client.responses.create( model="gpt-5.4", reasoning={"effort": "high"}, input="Explain the Nash equilibrium in game theory.")
Effets :
Valeur
Comportement
none
Réponse la plus rapide
low
Raisonnement léger
medium
Équilibre par défaut
high
Raisonnement poussé
xhigh
Profondeur maximale
Un effort de raisonnement plus élevé augmente généralement :
l’exactitude des réponses
les tokens de raisonnement
la latence
le coût
Le niveau par défaut est généralement medium.
Tools
Définit les outils que le modèle peut appeler. tools + tool_search
tool_search diffère le chargement des définitions d’outils pour l’efficacité ; activez-le pour de grands ensembles d’outils.
tools déclare les définitions d’outils (web_search, file_search, RPCs personnalisés).
Paramètres d’échantillonnage (contrôle de l’aléatoire)
Règle de compatibilité importante : lorsque reasoning.effort ≠ none, certains paramètres d’échantillonnage peuvent ne pas être pris en charge. Si reasoning.effort est high, la requête peut échouer ou ignorer temperature.
Les modèles GPT-5.4 désactivent des paramètres comme :
temperature
top_p
logprobs
car les modèles de raisonnement contrôlent l’échantillonnage en interne.
temperature contrôle l’aléatoire dans l’échantillonnage de tokens.
Si reasoning.effort est high, la requête peut échouer ou ignorer temperature.
2. top_p : paramètre d’échantillonnage par noyau (nucleus sampling).
Valeur
Signification
0,9
considérer les tokens cumulant 90 %
0,5
génération conservatrice
1.0
distribution complète
3. stop : arrête la génération à la rencontre de tokens spécifiques.
Utile pour :
génération de code
pipelines d’outils
délimiteurs de chat
Verbosity : contrôle la longueur de la réponse.
Plusieurs nouveaux paramètres sont apparus à partir des modèles GPT-5, y compris GPT-5.4.
Valeurs :
lowmediumhigh
Exemple :
verbosity="high"
Cas d’usage :
Valeur
Comportement
low
réponses concises
medium
équilibre
high
explications longues
Ce paramètre aide à contrôler la longueur de sortie sans manipuler les limites de tokens.
Différences de paramètres de GPT-5.4
Voici un tableau de compatibilité simplifié.
Paramètre
reasoning:none
reasoning:low+
temperature
✓
✗ / ignoré
top_p
✓
✗
logprobs
✓
✗
max_output_tokens
✓
✓
tools
✓
✓
tool_choice
✓
✓
verbosity
✓
✓
reasoning.effort
✓
✓
Comparaison des paramètres et capacités de GPT-5.4 et GPT-5.4-Pro
Fonctionnalité
GPT-5.4
GPT-5.4-Pro
Flexibilité du raisonnement
Gamme complète de none → xhigh
Seulement medium → xhigh
Latence
Inférieure
Supérieure (les tâches complexes peuvent prendre des minutes)
Coût
Inférieur
Supérieur en raison du calcul additionnel
Exécution en arrière-plan
Optionnelle
Recommandée pour les tâches longues
Niveaux de raisonnement pris en charge
none, low, medium, high, xhigh
medium, high, xhigh
Bonnes pratiques pour adopter GPT-5.4 en production
1) Commencez petit, puis augmentez le raisonnement
Commencez avec reasoning.effort=none/low + text.verbosity=low pour les points d’extrémité sensibles à la latence.
Pour les flux complexes, passez à medium puis high uniquement après des tests A/B coût vs précision.
2) Préférez les sorties structurées pour les tâches programmatiques
Utilisez des schémas de fonctions ou des schémas JSON/Pydantic afin que le modèle retourne des sorties interprétables par machine ; cela réduit les erreurs d’analyse en aval.
3) Gardez l’humain dans la boucle pour les décisions à fort impact
Tout workflow impliquant de l’argent, des conséquences juridiques ou des données personnelles devrait exiger une approbation humaine avant effets externes.
4) Limitez les capacités exposées
Utilisez des listes allowed_tools (refus par défaut) et des permissions d’outils granulaires. Pour l’utilisation de l’ordinateur, imposez une liste blanche stricte d’actions.
5) Coût et budgétisation des tokens
Utilisez max_output_tokens et text.verbosity pour des coûts prévisibles. Pour des contextes très larges, paginaez ou compressez le contenu si nécessaire — même avec 1 M de tokens, des stratégies de compactage/sélection aident à réduire le coût.
Notes finales — migration et prochaines étapes
GPT-5.4 représente une avancée significative pour construire des systèmes d’IA capables de penser davantage, travailler à travers les logiciels, et gérer de très grands contextes. Pour la plupart des équipes, la trajectoire recommandée est :
Prototyper avec un sous-ensemble restreint de workflows (p. ex. examen de contrats, génération de présentations) en utilisant l’alias gpt-5.4 dans un bac à sable.
Mesurer la précision des tâches, l’usage de tokens, la latence et le coût vs les modèles précédents.
Renforcer en ajoutant des sorties structurées, des garde-fous d’outils et des validations humaines pour les flux risqués.
Les remises de l’API CometAPI peuvent aider à résoudre si les exigences de coût ou de latence l’imposent.
Les développeurs peuvent accéder à GPT-5.4, GPT-5.4-pro, via l’API CometAPI dès maintenant. Pour commencer, explorez les capacités du modèle dans le Playground et consultez le guide de l’API pour des instructions détaillées. Avant d’accéder, assurez-vous d’être connecté à CometAPI et d’avoir obtenu la clé API. CometAPI propose un prix bien inférieur au prix officiel pour vous aider à intégrer.
