gpt-5-chat
Réseau Neuronal
Caractéristiques
- Entrée
- texte, images, documents
- Sortie
- texte
- Taille du contexte
- 400 000 tokens
- Longueur maximale de la réponse
- 4 096 tokens
- Fonctionnalités
- appel de fonctions
Coût du prompt
(par 1M tokens)
Coût de la réponse
(par 1M tokens)
Invite d'image
(par 1K tokens)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
// Sync - Text generation
async function main() {
const chatCompletion = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'gpt-5-chat',
});
}
// Async - Text generation
async function main() {
const stream = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'gpt-5-chat',
stream: true
});
for await (const chunk of stream) {
const part: string | null = chunk.choices[0].delta?.content ?? null;
}
}
main();
Comment ça marche gpt-5-chat?
Questions fréquentes sur gpt-5-chat
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
Il s'agit d'un modèle textuel d'OpenAI avec un contexte de 400 000 jetons : il analyse de grands documents et bases de code, écrit et refactorise du code, aide au débogage, et répond aux questions sur les fichiers et images téléchargés. Adapté à l'analyse, aux tâches STEM, au support et à tout scénario nécessitant un long contexte.
La limite de sortie est de 4096 jetons par réponse, ce qui représente plusieurs pages de texte. Pour un article ou un grand module de code, divisez le travail en parties : demandez de continuer à partir du point souhaité ou de générer par sections. Le contexte d'entrée reste énorme : 400 000 jetons.
Dans nos données, il n'y a pas de mention spécifique de raisonnement interne, mais les paramètres effort et verbosity sont disponibles : vous pouvez régler la profondeur de traitement et le niveau de détail de la réponse. En pratique, le modèle gère bien l'analyse étape par étape si vous lui demandez explicitement de décomposer la solution.
Oui, le modèle prend en charge l'appel de fonctions (function calling) et la sortie structurée en JSON. Vous décrivez le schéma, obtenez une réponse prévisible et la transmettez à votre code sans avoir à analyser du texte libre. Pratique pour les agents, les intégrations avec des bases de données, les CRM et les services externes.
Images et documents, oui, y compris le traitement natif des fichiers : le modèle lira une capture d'écran, un schéma, un tableau ou un contrat et répondra en fonction du contenu. L'audio et la vidéo en entrée ne sont pas indiqués dans nos données ; pour la synthèse vocale, la transcription ou la génération de vidéo dans BotHub, passez à un modèle spécialisé.
Les modèles OpenAI de cette gamme fonctionnent de manière fiable en russe : ils comprennent les requêtes, respectent la terminologie et le style, et analysent les documents en russe. Il n'y a pas de métriques linguistiques spécifiques dans nos données, il est donc plus simple de tester sur votre propre tâche — dans BotHub, l'accès est possible sans VPN ni carte étrangère, avec paiement en roubles.