GPT-5 nano

GPT-5 nano er den mindste og billigste model i OpenAIs katalog, udgivet 7. august 2025. Den er placeret i bunden af GPT-5-serien og er tænkt som arbejdshesten til de kald, du laver mange tusinde af. Prisen per kald er det bærende designhensyn, ikke svarets dybde.

Den typiske plads er tidligt i en pipeline. Modellen sorterer, mærker og trækker felter ud, så de dyrere modeller kun får det materiale, der faktisk kræver dem. Det er en rolle, hvor konsistens og latenstid betyder mere end sproglig elegance.

Kontekstvinduet på 400.000 tokens er stort i forhold til modellens niveau. Det betyder, at du kan sende lange dokumenter ind til simpel ekstraktion uden at skulle chunke først. Parameterstørrelse og træningsdata er ikke offentliggjort af OpenAI.

Modellen belønner præcise prompts. Jo mere du overlader til dens egen fortolkning, jo mere varierer output. Definerer du derimod kategorier, formater og kanttilfælde eksplicit, opfører den sig stabilt over mange kald.

Struktureret output er der, hvor den er nemmest at arbejde med. Beder du om JSON med et fast skema og et lukket sæt værdier, rammer den som regel plet. Beder du om et frit formuleret skøn, får du svar, der lyder rigtige, men ikke altid holder.

Den er dårlig til at sige fra. Hvis inputtet ikke passer til opgaven, finder den ofte en kategori alligevel frem for at markere tvivl. Byg derfor en eksplicit "ved ikke"-mulighed ind i dit skema, og log hvor ofte den bruges.

På dansk klarer den rutineopgaver som klassificering og feltudtræk fint. Ved nuancer, ironi og fagsprog bliver den mere upræcis end på engelsk. Test på dine egne data frem for at antage, at engelsk performance overføres.

Skal opgaven løses i flere trin, med værktøjskald undervejs og beslutninger baseret på mellemresultater, så vælg en større model i serien. Nano taber tråden, og fejlene forplanter sig gennem kæden. Det bliver dyrere at rydde op end at have betalt for den rigtige model fra start.

Samme gælder alt, hvor svaret skal begrundes. Analyse, kodegennemgang, juridiske eller medicinske vurderinger og tekst, der skal læses af en kunde uden mellemled, hører ikke til her. Prisfordelen forsvinder i det øjeblik, et menneske skal kontrollere hvert output.

Har du lav volumen, er der sjældent noget at hente. Kører du hundrede kald om dagen, er forskellen i regningen ubetydelig, og du kan lige så godt tage den model, der giver det bedste svar.

Er opgaven fuldstændig fast, kan et regex, en søgeindeksering eller en trænet klassifikator være både billigere og mere forudsigelig end en sprogmodel. Overvej det, før du gør nano til standardsvaret på alt småt.