GPT-5.4 mini och nano lanseras – mindre AI-modeller för kod, agenter och stora volymer
GPT-5.4 mini och nano lanseras – mindre AI-modeller för kod, agenter och stora volymer
Den 17 mars 2026 lanserade OpenAI GPT-5.4 mini och GPT-5.4 nano, två mindre modeller som byggde vidare på GPT-5.4-familjens förmågor men prioriterade hastighet, pris och hög genomströmning. Mini riktades mot programmering, datoranvändning och agentiska deluppgifter, medan nano främst var avsedd för klassificering, extraktion, rangordning och mindre underagenter.
Marketplace sammanfattar lanseringen i efterhand. De mindre modellerna var inte tänkta att ersätta GPT-5.4 i varje svår uppgift. Deras roll var att göra fler AI-arbetsflöden ekonomiskt möjliga genom att låta en stark huvudagent delegera avgränsade steg till snabbare och billigare modeller.
GPT-5.4 mini och nano i korthet
| Punkt | GPT-5.4 mini | GPT-5.4 nano |
|---|---|---|
| Lanseringsdatum | 17 mars 2026 | 17 mars 2026 |
| Huvudområde | Kod, computer use, verktyg och subagenter | Klassificering, extraktion, rangordning och små deluppgifter |
| Tillgång | API, Codex och ChatGPT | API |
| Kontextfönster | Upp till 400 000 tokens | Utformat för stora volymer med lägre kostnad |
| Indata | Text och bild | Textbaserade och strukturerade arbetsflöden |
| Verktyg | Function calling, webbsökning, file search, computer use och skills | Lättare verktygs- och subagentuppgifter |
| Pris vid lanseringen | 0,75 dollar per miljon indatatokens och 4,50 dollar per miljon utdata | 0,20 dollar per miljon indatatokens och 1,25 dollar per miljon utdata |
| Viktig styrka | Mer än dubbelt så snabb som GPT-5 mini enligt OpenAI | Mycket låg kostnad för högvolymsarbete |
Priserna ovan beskriver API-lanseringen och kan senare ha ändrats. Aktuella priser bör alltid kontrolleras i OpenAI:s prislista innan en lösning kalkyleras.
Varför behövs mindre AI-modeller?
En avancerad agent kan behöva hundratals modellkörningar för att slutföra en enda användaruppgift. Om varje steg använder den största modellen blir arbetsflödet långsamt och dyrt.
Många deluppgifter kräver inte maximal reasoning. Exempel är att:
- identifiera dokumenttyp
- extrahera namn och datum
- rangordna sökresultat
- kontrollera om ett fält saknas
- skriva ett enkelt test
- sammanfatta en kort logg
- välja vilket verktyg som ska användas
- verifiera att ett svar följer ett format
En mindre modell kan hantera sådana steg snabbt. Den större modellen kan i stället fokusera på planering, svåra beslut och slutlig kvalitetskontroll.
Detta brukar beskrivas som en modellportfölj eller ett hierarkiskt agentsystem: olika modeller används där deras kombination av kvalitet, hastighet och kostnad passar bäst.
GPT-5.4 mini för kod och datoranvändning
GPT-5.4 mini utvecklades som en effektivare version av GPT-5.4:s professionella och agentiska förmågor. OpenAI lyfte särskilt fram programmering och computer use.
Modellen kunde användas för att:
- analysera mindre kodändringar
- skriva tester och dokumentation
- navigera i webbläsare och program
- bearbeta filer
- använda function calling
- söka på webben
- arbeta som underagent i ett större Codex-flöde
OpenAI uppgav att mini var mer än dubbelt så snabb som GPT-5 mini. Det var särskilt viktigt i interaktiva utvecklingsmiljöer där långa väntetider bryter arbetsflödet.
Hastighet får dock inte förväxlas med korrekthet. En snabb agent kan hinna genomföra flera felaktiga handlingar innan en människa reagerar. Computer use bör därför kombineras med begränsade konton, tillåtelselistor och bekräftelser före publicering, radering eller betalning.
400 000 tokens kontext
GPT-5.4 mini erbjöd upp till 400 000 tokens kontext. Det gjorde modellen användbar för stora dokument, repositories och loggar utan att kostnaden nådde samma nivå som den större huvudmodellen.
Ett stort kontextfönster kunde användas till:
- kodbaser med många filer
- tekniska manualer
- långa supportärenden
- flera avtal eller rapporter
- incidentloggar
- större uppsättningar sökresultat
Men ett långt kontextfönster är inte ett perfekt minne. Modellen kan fortfarande missa en fotnot, prioritera fel version eller tappa relationen mellan två detaljer som ligger långt ifrån varandra.
För viktiga arbetsflöden bör systemet därför använda tydlig dokumentmetadata, versionsnummer, retrieval och tester – inte enbart lägga allt material i samma prompt.
Mini i Codex
Codex kunde använda GPT-5.4 mini som ett snabbare alternativ och som underagent. En större kodagent kunde delegera mindre uppgifter och sedan granska resultaten.
OpenAI angav att användning av mini i Codex belastade ungefär 30 procent av motsvarande GPT-5.4-kvot. Det gjorde modellen praktisk för uppgifter som annars skulle förbruka stora delar av användarens gräns.
Exempel på delegering:
- huvudagenten planerar en refaktorering
- mini kartlägger berörda filer
- flera mini-agenter skriver separata tester
- huvudagenten granskar konflikter
- mini uppdaterar dokumentation
- huvudagenten kör slutlig verifiering
Parallellitet kan öka kapaciteten, men även skapa fler ändringar än en människa hinner förstå. Teamet behöver fortfarande äga arkitekturen och kontrollera varje merge.
Läs även vår historiska artikel om OpenAI Codex och den molnbaserade programmeringsagenten.
Mini i ChatGPT
GPT-5.4 mini blev tillgänglig i ChatGPT som Thinking-alternativ för Free- och Go-användare. För andra användare kunde den fungera som reservmodell när gränsen för den större GPT-5.4-modellen nåddes.
Det gav fler användare tillgång till reasoning och verktygsanvändning utan att varje fråga behövde köras på den dyraste modellen.
Användaren behövde samtidigt förstå att ett modellbyte kunde påverka:
- detaljnivå
- uthållighet i långa uppgifter
- kodkvalitet
- visuell förståelse
- hur många verktygssteg som hanterades väl
Ett svar kunde fortfarande vara användbart, men en kritisk uppgift borde inte automatiskt fortsätta med en mindre modell utan att kvaliteten kontrollerades.
GPT-5.4 nano för stora volymer
Nano var den minsta och billigaste modellen i familjen. Den gjordes tillgänglig genom API:t och riktades mot uppgifter där ett företag behövde köra mycket stora mängder relativt enkla operationer.
Typiska användningsfall var:
- kategorisering av supportärenden
- extraktion av strukturerade fält
- rangordning av kandidater eller dokument efter neutrala kriterier
- moderering och etikettering
- routing till rätt agent eller modell
- korta sammanfattningar
- kvalitetskontroll av format
- små subagenter med ett mycket tydligt mål
Nano var inte rätt val för komplex rådgivning, svår juridisk analys eller en autonom agent med bred systemåtkomst. Låg kostnad kom med lägre maximal kapacitet.
Skillnaden mellan subagent och huvudagent
| Huvudagent | Subagent |
|---|---|
| Planerar hela uppgiften | Löser ett avgränsat delproblem |
| Har bredare kontext och ansvar | Får minsta nödvändiga kontext |
| Använder ofta en starkare modell | Kan använda mini eller nano |
| Sammanväger flera resultat | Returnerar strukturerat delresultat |
| Tar eller föreslår slutbeslut | Ska normalt inte fatta irreversibla beslut |
En bra subagentinstruktion är smal och testbar. Exempelvis ”extrahera organisationsnummer, fakturadatum och totalsumma i detta JSON-schema” är säkrare än ”hantera fakturan”.
Pris per token är inte hela kostnaden
Nano och mini hade låga listpriser, men den verkliga kostnaden beror på hela systemet.
Företag bör mäta:
- antal modellkörningar per användaruppgift
- mängd kontext som skickas varje gång
- hur ofta resultat behöver köras om
- mänsklig kontrolltid
- fel som når produktion
- verktygs- och infrastrukturkostnad
- latens mellan flera agenter
En billig modell kan bli dyr om den ger många fel eller om hela dokumentet skickas om i varje steg. Prompt caching, retrieval och tydlig routing kan vara lika viktiga som modellpriset.
Hur bygger man säker routing?
Ett system som väljer modell automatiskt behöver tydliga regler.
Ett möjligt upplägg:
- klassificera uppgiftens risk och komplexitet
- skicka enkla strukturerade uppgifter till nano
- skicka kod- och verktygsdelar till mini
- eskalera osäkra resultat till GPT-5.4
- kräva mänskligt godkännande för högriskbeslut
- logga vilken modell som användes
- mäta kvalitet per uppgiftstyp
Routing får inte enbart baseras på kostnad. Medicinska, juridiska, finansiella och säkerhetskritiska frågor kräver högre kontroll även om texten ser enkel ut.
Svenska företags användningsområden
För svenska företag kunde mini och nano göra AI ekonomiskt genomförbart i större skala.
Exempel:
- klassificera inkommande kundärenden
- extrahera data från fakturor och avtal
- kvalitetskontrollera produktinformation
- skapa första utkast till kodtester
- rangordna intern sökning
- bygga underagenter för CRM och support
- behandla svenska och engelska dokument i samma flöde
GDPR och sekretess gäller oavsett modellstorlek. Ett billigare API gör det inte tillåtet att skicka personuppgifter eller företagshemligheter utan rättsligt stöd, avtal och tekniska skydd.
Säkerhet vid computer use
GPT-5.4 mini kunde använda datorverktyg. Det gav större nytta än en ren textmodell, men även större konsekvenser.
Minimikrav för en produktionsagent är:
- separat agentkonto
- lägsta möjliga behörighet
- isolerad webbläsare eller dator
- tillåtna domäner och appar
- blockering av betalningar och radering som standard
- loggning av skärmbilder och handlingar där det är rättsligt tillåtet
- mänskligt godkännande före externa konsekvenser
- snabb avstängning
En liten modell kan vara snabb, men har inte automatiskt bättre omdöme om organisationens risker.
Mini, nano och den bredare GPT-5.4-familjen
| Modell | Bäst lämpad för |
|---|---|
| GPT-5.4 Pro | De svåraste analyserna och professionella arbetsprodukterna |
| GPT-5.4 | Huvudagent, computer use, kod och långvariga uppgifter |
| GPT-5.4 mini | Snabb kod, verktyg, subagenter och interaktivt arbete |
| GPT-5.4 nano | Klassificering, extraktion och mycket stora volymer |
Läs vår genomgång av GPT-5.4, datoranvändning och en miljon tokens kontext.
Vanliga frågor
När lanserades GPT-5.4 mini och nano?
OpenAI lanserade båda modellerna den 17 mars 2026.
Var fanns GPT-5.4 mini?
Mini gjordes tillgänglig i API:t, Codex och ChatGPT.
Var fanns GPT-5.4 nano?
Nano lanserades genom API:t och var avsedd för utvecklare och högvolymsarbetsflöden.
Hur stort kontextfönster hade mini?
GPT-5.4 mini stödde upp till 400 000 tokens vid lanseringen.
Kunde mini styra en dator?
Ja. Modellen stödde computer use och andra verktyg i API-baserade arbetsflöden.
Är nano lämplig för avancerad rådgivning?
Nej. Nano är främst avsedd för smala, strukturerade och testbara deluppgifter.
Sammanfattning
GPT-5.4 mini och nano lanserades den 17 mars 2026 och gjorde OpenAI:s senaste förmågor tillgängliga i snabbare och billigare format. Mini fokuserade på kod, verktyg, computer use och subagenter, medan nano riktades mot stora volymer av enkla strukturerade uppgifter.
Modellerna visade att framtidens AI-system inte behöver använda samma modell överallt. Rätt routing kan minska kostnad och väntetid, men kräver kvalitetsmätning, tydlig eskalering och starka behörighetsgränser. Den billigaste modellen är bara ekonomisk när resultatet faktiskt blir rätt.
Faktaunderlag: OpenAI, ”Introducing GPT-5.4 mini and nano”, publicerad 17 mars 2026. Artikeln är en historisk sammanfattning publicerad i efterhand.
Kommentarer
Diskutera artikeln i tråden nedan.