GPT-5 Nano

Bei typischem Mix aus 70 % Eingabe und 30 % Ausgabe kommt GPT-5 Nano auf $0.11 pro Million Token. Damit liegt es über 0 % der 32 hier erfassten Modelle, und 0 weitere Modelle derselben Budget-Stufe unterbieten es. Die Stufe ist ein Leistungsetikett, kein Preisband — die Spanne innerhalb einer Stufe ist oft größer als der Abstand zwischen Stufen, weshalb eine Auswahl allein nach Stufe meist zu teuer wird.

Die Eingabe kostet $0.10 pro Million, die Ausgabe $0.15 — ein Verhältnis von 1.5x. Dieses Verhältnis zählt mehr als jede der beiden Zahlen für sich: Eine Zusammenfassungs- oder Klassifizierungslast liest weit mehr, als sie schreibt, und folgt dem Eingabepreis; Codegenerierung oder lange Texte drehen das um und folgen dem Ausgabepreis. Vergleichen Sie Modelle nach dem Verhältnis, das Ihr Traffic tatsächlich hat, nicht nach dem Eingabepreis allein.

Das Benchmark-Profil ist uneben statt flach: Datenextraktion mit 88/100 gegenüber Bildverstehen mit 70/100 — 18 Punkte Spanne. Ein Durchschnitt verdeckt das. Liegt Ihre Last am starken Ende, leistet dieses Modell mehr, als sein Preis vermuten lässt; liegt sie am schwachen Ende, dient Ihnen ein günstigeres Modell mit flacherem Profil besser.

Das Kontextfenster umfasst 128K Token, der Durchsatzwert liegt bei 99/100. Kontext rechnet sich nur, wenn Sie ihn füllen — und genau das Füllen macht eine Anfrage teuer: Ein großes Fenster ist eine Option, kein Rabatt. Beurteilen Sie den Geschwindigkeitswert eines Budget-Modells nach Ihrem Einsatz: Im interaktiven Chat entscheidet er alles, bei nächtlicher Batch-Arbeit fast nichts.

Nichts Günstigeres in der Tabelle erreicht GPT-5 Nano bei Programmierung und Reasoning zusammen; der gemischte Preis von $0.11 kauft also Leistungsfähigkeit, die derzeit nicht billiger zu haben ist. Das ist das Argument dafür, ihn zu zahlen — und es lohnt eine erneute Prüfung, denn genau diese Position nimmt eine neue Veröffentlichung wieder weg.

Der nächstliegende Vergleich ist Gemini 1.5 Flash von Google mit $0.14 pro Million gegenüber $0.11. 9 Modelle dieser Stufe erzielen bei Programmierung und Reasoning zusammen höhere Werte — und das ist die nützliche Perspektive: Die Frage ist selten, ob ein Modell gut ist, sondern ob es das Günstigste ist, das für die konkrete Arbeit gut genug ist, die Sie ihm schicken.