GPT-5.5 Spud не подтверждён: на чём реально считать экономику OpenAI API

Если коротко: слухи о

GPT-5.5 Spud

GPT-5.5 Spud

Вместо этого документы OpenAI, попавшие в проверку, показывают более приземлённую картину: актуально документирован GPT-5.4, в видимом фрагменте цен есть строки для gpt-5.4 и gpt-5.4-mini, а для оптимизации затрат и задержек описаны модельный выбор, long-context-пороги, prompt caching, Priority processing и Batch API .

Вердикт: экономика Spud не подтверждена публичными данными

Вопрос	Что подтверждается источниками
Есть ли GPT-5.5 Spud как публичная модель OpenAI API?	Не подтверждено. В индексе моделей OpenAI в этом наборе указано Latest: GPT-5.4 ; отдельной официальной страницы Spud среди проверенных документов нет .
Есть ли официальная цена API для GPT-5.5 Spud?	Не подтверждено. В видимом фрагменте прайсинга OpenAI есть gpt-5.4 и gpt-5.4-mini, но нет строки gpt-5.5 или Spud .
Можно ли утверждать, что Spud быстрее, дешевле или эффективнее по токенам, чем GPT-5.4?	Нет. Предоставленные бенчмарки измеряют GPT-5 mini и GPT-5, а не GPT-5.5 Spud .
Можно ли уже сейчас оптимизировать стоимость и задержку OpenAI API?	Да, но для документированных моделей и механизмов: через выбор модели, prompt caching, Priority processing и Batch API .

Один сторонний материал прямо обсуждает Spud, но сам помечает ожидания по срокам и ценам как спекуляцию и пишет, что официальные дата релиза GPT-5.5, model card и API pricing не объявлены . Это не доказывает, что такой модели не существует внутри компании. Но для внешних пользователей API это означает простую вещь: пока нет официальной документации, цифры по цене, задержке, throughput или токен-эффективности Spud нельзя считать проверенными.

Что на самом деле есть в документах OpenAI

GPT-5.4 — документированная frontier-модель в этом наборе

Самое сильное официальное утверждение здесь относится к GPT-5.4. Индекс моделей OpenAI ведёт на

Latest: GPT-5.4

Для GPT-5.4 также описан важный бюджетный порог длинного контекста. Для моделей с контекстным окном 1,05 млн токенов, включая GPT-5.4 и GPT-5.4 pro, промпты с более чем 272 тыс. входных токенов тарифицируются по повышенной ставке для всей сессии: 2x за input и 1,5x за output — в standard, batch и flex usage .

Для продуктовых команд это означает, что длина контекста — не только вопрос качества ответа или удобства разработки. Это отдельная строка расходов.

В прайсинге видны GPT-5.4 и GPT-5.4-mini, но не Spud

Во фрагменте страницы OpenAI Pricing есть строки gpt-5.4 и gpt-5.4-mini. В одной группе значений gpt-5.4 указан рядом с

$2.50 / $0.25 / $15.00

$0.75 / $0.075 / $4.50

Но у фрагмента нет заголовков таблицы. Поэтому корректный вывод должен быть осторожным: в видимой части есть строки GPT-5.4 и GPT-5.4-mini, значения mini ниже в показанных сравнениях, а строки Spud или GPT-5.5 не видно . Приписывать этим числам конкретные категории биллинга без заголовков таблицы было бы чрезмерной интерпретацией.

Как считать экономику API без слухов

1. Сначала качество, потом стоимость и задержка

Рекомендации OpenAI по выбору модели описывают этот выбор как баланс accuracy, latency и cost. Логика такая: сначала определить необходимый уровень качества, затем удерживать его с помощью самой дешёвой и быстрой модели, которая всё ещё проходит вашу планку .

Иными словами, «новее» или «мощнее» не всегда значит «лучше для продакшена». Для пользовательского сценария важна не громкость названия модели, а минимальная стоимость и задержка при достаточном качестве .

2. Prompt caching — подтверждённый рычаг токен-экономики

Prompt Caching — один из наиболее понятных документированных способов улучшить экономику входных токенов. OpenAI пишет, что кэширование работает автоматически для API-запросов, не требует изменений в коде, не имеет дополнительной платы и включено для recent models начиная с gpt-4o .

В developer cookbook OpenAI говорится, что Prompt Caching может снизить time-to-first-token latency до 80% и стоимость input tokens до 90% в подходящих нагрузках. Там же указано, что параметр prompt_cache_key может повысить «липкость» маршрутизации для запросов с одинаковым префиксом; приведён пример coding-клиента, у которого cache hit rate вырос с 60% до 87% после использования этого параметра .

Практический вывод: если продукт позволяет, держите стабильные части промпта действительно стабильными. Это могут быть системные инструкции, правила безопасности, общие схемы, повторяющиеся блоки контекста. Но это доказательство эффективности prompt caching для поддерживаемых моделей, а не доказательство особого токенизатора, скидки или скорости GPT-5.5 Spud.

3. Задержку нужно измерять, а не выводить из слухов

Priority processing — документированный механизм для сценариев, где задержка важна. OpenAI указывает, что запросы к Responses или Completions endpoints можно отправлять с service_tier=priority, а также можно включить Priority processing на уровне Project . При этом предоставленный фрагмент не даёт численного выигрыша по latency, throughput или цене, поэтому на его основе нельзя заявлять конкретный SLA — ни для Spud, ни для другой модели .

Отдельно OpenAI предупреждает, что уменьшение числа входных токенов может снизить задержку, но обычно это не самый значимый фактор . А в руководстве по выбору моделей сказано, что более высокие reasoning-настройки могут использовать больше токенов для более глубокого рассуждения, увеличивая стоимость и задержку одного запроса .

Для продакшена это означает, что latency нужно мерить end-to-end: модель, reasoning-настройки, форма промпта, кэширование, сервисный уровень, сетевые задержки и поведение приложения складываются вместе.

4. Batch API — для асинхронных задач, а не для мгновенного ответа пользователю

Batch API в документации OpenAI описан как отдельный путь асинхронной обработки. В примере Batch-запроса используется completion_window со значением 24h, а готовый результат предлагается забирать через Files API по output_file_id из Batch object . В API reference Batch также находится в контексте cost optimization .

Отсюда следует естественное архитектурное разделение: пользовательские интерактивные запросы оптимизировать через выбор модели, промпт, кэширование и service tier; фоновые или пакетные задачи — рассматривать как кандидатов для Batch. Это не подтверждает никаких специальных batch-скидок, throughput-гарантий или преимуществ Spud .

Чек-лист для команды, которая считает OpenAI API

1. Начинайте с evals, а не с утечек. Определите минимально приемлемое качество и тестируйте более дешёвые и быстрые модели против этой планки .
2. Бюджетируйте по документированным моделям. В этом наборе источников latest-модель — GPT-5.4, а видимые строки прайсинга относятся к GPT-5.4 и GPT-5.4-mini, не к Spud .
3. Следите за long-context-порогами. Для GPT-5.4 и GPT-5.4 pro с окном 1,05 млн токенов промпты свыше 272 тыс. input tokens запускают повышенную тарификацию для всей сессии .
4. Проектируйте промпты под кэширование. Prompt Caching работает автоматически и бесплатно на поддерживаемых recent models, а OpenAI описывает крупные возможные снижения latency и input token costs для подходящих повторяющихся префиксов .
5. Priority processing проверяйте на реальных маршрутах. Механизм описан для Responses и Completions, но в предоставленном фрагменте нет чисел по фактическому ускорению .
6. Асинхронные объёмы отправляйте в Batch, если это подходит процессу. Batch API показан с 24-часовым completion_window и получением результата через Files API, поэтому он естественнее подходит для фоновых задач, чем для экранов, где пользователь ждёт ответ сразу .
7. Не переносите бенчмарки GPT-5 или GPT-5 mini на Spud. В рассмотренных benchmark-источниках измеряются другие модели, а не GPT-5.5 Spud .

Итог

В проверенных источниках нет подтверждения, что GPT-5.5 Spud является публичной моделью OpenAI API. Нет и подтверждённых Spud-специфичных данных о цене, latency, throughput, токен-эффективности или benchmark performance.

Зато есть практический и проверяемый набор инструментов для экономики OpenAI API: выбирать модель по качеству, стоимости и задержке; учитывать long-context-тарификацию GPT-5.4; использовать автоматическое Prompt Caching; тестировать Priority processing; выносить подходящие фоновые задачи в Batch API .

До появления официальной страницы модели, строки в прайсинге, model card и performance guidance для GPT-5.5 Spud разумная позиция проста: считать бюджет по документированным моделям, а Spud-цифры из слухов держать вне продакшен-планов.