OpenAI 發佈 GPT-5.4,定位為面向專業工作的前沿模型
Introducing GPT-5.4
OpenAI 發佈 GPT-5.4,並稱其為面向專業工作的能力最強、效率最高的前沿模型。該模型具備最先進的編碼、電腦操作和工具搜索能力,並有 1M-token 上下文窗口。
今日,我們推出 GPT‑5.4,現於 ChatGPT(以 GPT‑5.4 Thinking 形式)、API 及 Codex 提供。這是我們迄今能力最強、效率最高、專為專業工作而設的前沿模型。我們亦推出 GPT‑5.4 Pro,現於 ChatGPT 和 API 提供,供希望在複雜任務上獲得最高效能的人士使用。
GPT‑5.4 將我們近期在推理、編碼和代理式工作流程方面的最佳進展,整合至單一前沿模型之中。它融入了 GPT‑5.3‑Codex 領先業界的編碼能力,同時提升模型在各種工具、軟件環境,以及涉及試算表、簡報和文件的專業任務中的表現。結果是,模型能準確、有效而高效地完成複雜的實際工作,減少來回溝通,交付你所要求的成果。
在 ChatGPT 中,GPT‑5.4 Thinking 現在可以預先提供思考計劃,讓你 在回覆中途調整方向 ,此時它仍在運作,並得出更貼合你需要的最終結果,毋須額外輪次。GPT‑5.4 Thinking 亦提升了 深入網絡研究,尤其是處理高度具體的查詢時,同時更能維持上下文脈絡,回答需要較長時間思考的問題時亦然。這些改進結合起來,讓答案質素更高、回覆更快,並持續切合當前任務。
在 Codex 和 API 中,GPT‑5.4 是我們推出的首個具備原生、業界頂尖電腦操作能力的通用模型,讓代理程式能操作電腦,並在不同應用程式中執行複雜工作流程。它支援最多 1M 個詞元的上下文,讓代理程式能在較長的任務時程中規劃、執行和驗證任務。GPT‑5.4 亦透過工具搜尋,改善模型在龐大的工具及連接器生態系統中的運作方式,協助代理程式更有效率地尋找及使用合適的工具,同時不犧牲智能。最後,GPT‑5.4 是我們迄今詞元效率最高的推理模型,與 GPT‑5.2 相比,解決問題時所用的詞元顯著減少,令詞元用量降低、速度更快。
隨着通用推理、編碼及專業知識型工作方面的進步,GPT‑5.4 可讓 ChatGPT、API 及 Codex 中的代理程式更可靠、開發者工作流程更快捷,並帶來更高質素的輸出。
GPT‑5.4 | GPT‑5.3‑Codex | GPT‑5.2 | |
GDPval(勝出或打和) | 83.0% | 70.9% | 70.9% |
SWE-Bench Pro(公開) | 57.7% | 56.8% | 55.6% |
OSWorld-Verified | 75.0% | 74.0%* | 47.3% |
Toolathlon | 54.6% | 51.9% | 46.3% |
BrowseComp | 82.7% | 77.3% | 65.8% |
*先前報告為 64.7%。GPT‑5.3‑Codex 使用全新推出的 API 參數,可保留原始圖像解像度,成績達 74.0%。
知識型工作
以 GPT‑5.2 的通用推理能力為基礎,GPT‑5.4 在對專業人士重要的實際任務上,帶來更一致、更完善的成果。
在 GDPval 中,這項評測考驗代理在 44 個職業中產出規格明確的知識型工作的能力;GPT‑5.4 達到新的業界頂尖水平,在 83.0% 的比較中與業界專業人士相若或表現更佳,相比之下,70.9% 是 GPT‑5.2 的成績。
在 GDPval 中,模型會嘗試完成涵蓋 44 個職業的規格明確知識型工作;這些職業來自對美國 GDP 貢獻最高的 9 個行業。任務要求提供實際工作成果,例如銷售簡報、會計試算表、急症護理排班表、製造示意圖或短片。GPT‑5.4 的推理力度設為 xhigh,GPT‑5.2 則設為 heavy(在 ChatGPT 中屬於稍低一級)。
我們特別著重提升 GPT‑5.4 建立和編輯試算表、簡報及文件的能力。在一項內部基準測試中,GPT‑5.4 在初級投資銀行分析員可能處理的試算表建模任務上,平均得分為 87.3%,相比之下,68.4% 是 GPT‑5.2 的得分。在一組用於評估簡報的提示中,人類評審有 68.0% 的情況更偏好 GPT‑5.4 製作的簡報,而非 GPT‑5.2 製作的簡報,原因是前者美感更佳、視覺多樣性更高,亦更有效運用圖像生成。
你可以在 ChatGPT 中使用 GPT‑5.4 Thinking 或 Pro 試用這些功能。如果你是 Enterprise 客戶,我們建議使用剛推出的 ChatGPT for Excel 增益集(在新視窗中開啟),該增益集亦於 today 推出。我們亦已更新 試算表(在新視窗中開啟) 及 簡報技能(在新視窗中開啟),可於 Codex 和 API 中使用。
為了令 GPT‑5.4 更擅長處理現實世界的工作,我們在減少幻覺和錯誤方面持續取得進展。GPT‑5.4 是迄今事實準確度最高的模型:在一組去識別化提示中,使用者曾標記事實錯誤;相較於 GPT‑5.2,GPT‑5.4 的個別陳述為假的可能性低 33%,完整回覆包含任何錯誤的可能性則低 18%。
電腦操作與視覺能力
GPT‑5.4 是我們首個具備原生 電腦操作能力 的通用模型,對開發者和代理而言亦是一大進展。它是開發者目前可用來打造代理的最佳模型;這些代理能在網站和軟件系統中完成實際任務。
我們設計 GPT‑5.4,讓它在各類電腦操作任務中都有出色表現。它擅長編寫程式碼,透過 Playwright 等程式庫操作電腦;也擅長根據螢幕截圖發出滑鼠和鍵盤指令。其行為可透過開發者訊息引導,換言之,開發者可按特定用途調整其行為。開發者甚至可以指定自訂確認政策,設定模型的安全行為,以配合不同程度的風險承受度。
模型的效能與靈活性,體現在涵蓋不同情境的多項電腦操作基準測試中。在 OSWorld-Verified 中,這項基準測試透過螢幕截圖及鍵盤/滑鼠操作,評估模型瀏覽桌面環境的能力;GPT‑5.4 取得領先業界的 75.0% 成功率,大幅高於 GPT‑5.2 的 47.3%,亦勝過人類達到的 72.4%。1
在 WebArena-Verified 上,這項基準測試評估瀏覽器操作能力;GPT‑5.4 同時採用 DOM 和螢幕截圖驅動的互動方式時,取得領先的 67.3% 成功率,相較之下,GPT‑5.2 的成功率為 65.4%。在 Online-Mind2Web 上,這項基準測試同樣評估瀏覽器操作能力;GPT‑5.4 取得 92.8% 成功率,該成功率僅根據螢幕截圖觀察得出,表現勝過 ChatGPT Atlas 的 Agent Mode;後者的成功率為 70.9%。
工具讓出是指助手讓出控制權,等待工具回應。如果先同時呼叫 3 個工具,之後再同時呼叫另外 3 個工具,讓出次數便會是 2。相比工具呼叫次數,工具讓出次數更能反映延遲,因為它體現了平行處理帶來的效益。
GPT‑5.4 的電腦操作能力有所提升,建基於模型整體視覺感知能力的改善。在 MMMU-Pro 中,這項基準測試模型的視覺理解和推理能力;GPT‑5.4 達到 81.2% 成功率,測試時沒有使用工具,表現勝過 GPT‑5.2 的 79.5%。視覺感知能力提升亦帶來更出色的文件解析能力。在 OmniDocBench 中,GPT‑5.4 在沒有推理運算的情況下,平均誤差(以模型預測與標準答案之間的正規化編輯距離衡量)為 0.109,較 GPT‑5.2 的 0.140 有所改善。
MMMUPro 的測試在推理力度設為 xhigh 的情況下進行。OmniDocBench 的測試則在推理力度設為 none 的情況下進行,以反映低成本、低延遲的表現。
我們亦正提升對細節密集、高解像度圖像的視覺理解能力,適用於需要完整保真度的情況。由 GPT‑5.4 起,我們推出一種 original 圖像輸入細節(在新視窗中開啟)層級,支援完整保真度感知,總像素最高可達 10.24M,或最大尺寸為 6000-pixel,兩者以較低者為準;high 圖像輸入細節層級現時支援最高 2.56M 總像素,或最大尺寸為 2048-pixel。與 API 用戶進行初步測試時,我們觀察到定位能力、圖像理解及點擊準確度均大幅提升,這些提升是在使用 original 或 high 細節層級時出現的。
在 API 中,開發者可使用更新後的 computer 工具存取這些功能。請參閱我們的 更新版文件(在新視窗開啟),了解建議的最佳做法。
編程
GPT‑5.4 結合了 GPT‑5.3‑Codex 的編碼優勢,以及領先的知識工作和電腦操作能力。這些能力在運行時間較長的任務中最為重要,因為模型可以使用工具、反覆迭代,並在較少人工介入下把工作推進得更遠。在 SWE-Bench Pro 上,它的表現媲美或超越 GPT‑5.3‑Codex,而且在各種推理力度下延遲更低。
我們會觀察模型在正式環境中的行為,並在離線環境模擬,以估算延遲。延遲估算涵蓋工具呼叫所需時間(程式碼執行時間)、抽樣生成的詞元數量,以及輸入詞元數量。實際延遲可能有很大差異,並取決於模擬未涵蓋的多項因素。測試涵蓋由 none 至 xhigh 的推理力度設定。
啟用後,Codex 中的 /fast 模式配合 GPT‑5.4,可令詞元生成速度提升最多 1.5x。它使用相同的模型,智能程度亦相同,只是速度更快。這表示使用者可以保持流暢的工作節奏,處理編碼工作、迭代和除錯。開發者亦可透過 API 使用 優先處理(在新視窗中開啟),以同樣的高速使用 GPT‑5.4。
在評估和內部測試中,我們發現 GPT‑5.4 擅長處理複雜的前端任務,成果的美觀度和功能表現都明顯優於我們以往推出的任何模型。
為展示模型改進後的電腦操作和編碼能力如何協同發揮,我們亦推出一項實驗性的 Codex 技能,名為「Playwright (Interactive)(在新視窗中開啟)」。這讓 Codex 可以透過視覺方式為網頁和 Electron 應用程式除錯;甚至可以在 Codex 建構應用程式的同時測試該應用程式。
工具使用
隨着 GPT‑5.4 推出,我們大幅改善了模型使用外部工具的方式。代理程式現在可以在規模更大的工具生態系統中運作,更可靠地選擇合適的工具,並以更低成本和更短延遲完成多步驟工作流程。
工具搜尋
在 API 中,GPT‑5.4 引入了 工具搜尋(在新視窗中開啟),讓模型在獲提供大量工具時也能有效率地運作。
以往,向模型提供工具時,所有工具定義都會預先加入提示詞。對於包含大量工具的系統,這可能令每個請求增加數千,甚至數萬個詞元,增加成本、拖慢回應,並令上下文充斥模型可能永遠用不上的資訊。
有了工具搜尋,GPT‑5.4 只會收到一份可用工具的精簡清單,以及工具搜尋功能。當模型需要使用某項工具時,便可查閱該工具的定義,並在當下將其加入對話。
這種做法大幅減少大量使用工具的工作流程所需的詞元數量,並保留快取,令請求更快、更便宜。它亦讓代理程式能夠可靠地使用規模大得多的工具生態系統。對於工具定義可能多達數萬個詞元的 MCP 伺服器,效率提升可以相當顯著。
為展示效率提升,我們評估了 250 項來自 Scale 的 MCP Atlas(在新視窗中開啟) 基準測試,在啟用全部 36 個 MCP 伺服器的情況下,採用兩種模式:(1) 將每個 MCP 函式直接放入模型上下文中,以及 (2) 將所有 MCP 伺服器置於工具搜尋之後。工具搜尋設定在達到相同準確度的同時,將總詞元用量減少了 47%。
範例詞元數量是將 MCP-Atlas 公開資料集中的 250 項任務取平均後得出的。
代理式工具呼叫
GPT‑5.4 亦提升了 工具呼叫,令模型在推理過程中判斷何時及如何使用工具時更準確、更有效率,尤其是在 API 中。 與 GPT‑5.2 相比,它在 Toolathlon 這項基準測試中以較少回合達到較高準確度;該測試評估 AI 代理運用真實世界中的工具和 API 完成多步任務的能力。例如,代理需要閱讀電郵、擷取作業附件、上載附件、批改作業,並將結果記錄在試算表中。
一次工具交接,是指助理讓出控制權以等待工具回應。如果先平行呼叫 3 個工具,然後再平行呼叫 3 個工具,交接次數便是 2。與工具呼叫次數相比,工具交接次數更能反映延遲,因為它體現了平行執行的效益。
對於對延遲敏感、偏好將推理力度設為 None 的應用情境,GPT‑5.4 的表現較前代模型進一步提升。
在 τ2-bench(在新視窗中開啟) 中,模型必須使用工具完成一項客戶服務任務;過程中可能會有一名模擬使用者與模型溝通,並對世界狀態採取行動。推理力度設為 None。
網絡搜尋能力提升
GPT‑5.4 的代理式網絡搜尋能力更強。在 BrowseComp 這項衡量 AI 代理持續瀏覽網絡以尋找難以找到的資訊的測試中,GPT‑5.4 的表現躍升了 17%絕對值,較 GPT‑5.2 高,而 GPT‑5.4 Pro 則以 89.3% 創下全新最佳成績。
實際使用時,這表示 GPT‑5.4 Thinking 更擅長回答需要整合網上多個來源資訊的問題。它能跨越多輪反覆搜尋,找出最相關的來源,尤其是回答「大海撈針」式問題時,並將資訊整合成清晰、論證周全的答案。
在 BrowseComp 測試中,我們使用搜尋封鎖清單,將含有基準測試答案的網站排除在評估之外,以防止資料污染並確保效能評估公平。GPT‑5.4 的測試日期較 GPT‑5.2 晚,因此分數反映了模型、我們的搜尋系統及網絡現況的變化。GPT‑5.4 測試時使用了更長且更新過的封鎖清單。模型會使用 ChatGPT 搜尋工具,而該工具與 API 搜尋可能略有差異。
可控性
正如 Codex 開始工作時會先概述其處理方式,ChatGPT 中的 GPT‑5.4 Thinking 現在亦會在處理較長、較複雜的查詢時,先以開場說明交代工作安排。你亦可以在回應過程中加入指示或調整方向。這樣你便更容易引導模型達到想要的確切結果,無須重新開始或額外進行多輪對話。此功能現已在 chatgpt.com(在新視窗中開啟) 和 Android 應用程式推出,iOS 應用程式則即將推出。
模型亦能在處理困難任務時思考更長時間,同時更清楚掌握對話中較早出現的步驟。這使它能處理更長的工作流程和更複雜的提示,並在整個過程中保持答案連貫、切題。
此影片為方便說明而加快播放速度。
安全性
過去幾個月,我們在準備部署 GPT‑5.4 的同時,持續改進隨 GPT‑5.3‑Codex 引入的安全防護措施。與 GPT‑5.3‑Codex 相似,我們根據 Preparedness Framework 將 GPT‑5.4 視為具備「高網絡安全能力」,並部署相應的防護措施,詳情載於 系統卡(在新視窗中開啟)。這些措施包括擴充網絡安全防護體系,當中涵蓋監察系統、可信任的存取控制,以及為使用零數據保留(ZDR)介面的客戶,對較高風險請求進行非同步封鎖;此外,我們亦持續投資於更廣泛的安全生態系統。
由於網絡安全能力本質上具有雙重用途,我們在部署時採取審慎做法,同時持續調整我們的政策和分類器。對於使用 ZDR 介面的部分客戶,按請求層級封鎖仍是我們網絡風險緩解體系的一部分;由於分類器仍在改進,隨着我們繼續完善這些防護措施,可能會出現一些誤報。這些更新旨在改善防護措施在實際運作中的表現,包括減少不必要的拒絕和附帶過多保留條件的回應,同時維持對濫用行為的有力防護。
我們持續進行關於思維鏈(CoT)可監察性的安全研究,以更深入了解模型如何推理,並協助偵測潛在的不當行為。作為這項研究的一部分,我們推出一項新的開源評估「CoT 可控性」, 用以衡量模型能否刻意模糊其推理過程以逃避監察。我們發現,GPT‑5.4 Thinking 控制其 CoT 的能力偏低;這是有利於安全的特性,表示模型欠缺隱藏其推理過程的能力,並顯示 CoT 監察仍然是有效的安全工具。
供應與定價
GPT‑5.4 今日正陸續於 ChatGPT 和 Codex 推出。在 API 中,GPT‑5.4 現以 gpt-5.4 提供。GPT‑5.4 Pro 亦已在 API 中以 gpt-5.4-pro 提供,適合需要在最複雜任務上取得最高效能的開發者。
在 ChatGPT 中,GPT‑5.4 Thinking 今日起向 ChatGPT Plus、Team 和 Pro 用戶開放,取代 GPT‑5.2 Thinking。付費用戶仍可在模型選擇器的「舊版模型」部分使用 GPT‑5.2 Thinking 三個月,之後它將於 June 5, 2026 退役。Enterprise 和 Edu 方案用戶可透過管理員設定啟用搶先體驗。GPT‑5.4 Pro 適用於 Pro 和 Enterprise 方案。上下文視窗(在新視窗開啟)GPT‑5.4 Thinking 在 ChatGPT 中的上下文視窗與 GPT‑5.2 Thinking 相同。
GPT‑5.4 是我們首個主線推理模型,整合 GPT‑5.3‑codex 的前沿編碼能力,並正陸續推出至 ChatGPT、API 和 Codex。我們稱之為 GPT‑5.4,以反映這次躍升,並簡化使用 Codex 時在不同模型之間的選擇。隨着時間推移,我們的 Instant 模型和 Thinking 模型會以不同速度演進。
GPT‑5.4 在 Codex 中加入對 1M 上下文視窗的實驗性支援。開發者可透過設定 model_context_window 和 model_auto_compact_token_limit 試用此功能。超出標準 272K 上下文視窗的請求,會按正常速率的 2x 計入用量上限。
在 API 中,GPT‑5.4 每個 token 的定價高於 GPT‑5.2,以反映其能力提升;同時,較高的 token 使用效率有助減少許多任務所需的 token 總數。Batch 和 Flex 定價為標準 API 費率的一半,而 Priority 處理則按標準 API 費率的兩倍提供。
API 模型 | 輸入價格 | 快取輸入價格 | 輸出價格 |
gpt-5.2 | $1.75 / M tokens | $0.175 / M tokens | $14 / M tokens |
gpt-5.4 | $2.50 / M tokens | $0.25 / M tokens | $15 / M tokens |
gpt-5.2-pro | $21 / M tokens | - | $168 / M tokens |
gpt-5.4-pro | $30 / M tokens | - | $180 / M tokens |
評測
專業領域
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
GDPval | 83.0% | 82.0% | 70.9% | 70.9% | 74.1% |
FinanceAgent v1.1 | 56.0% | 61.5% | 54.0% | 59.5% | — |
投資銀行建模任務(內部) | 87.3% | 83.6% | 79.3% | 68.4% | 71.7% |
OfficeQA | 68.1% | — | 65.1% | 63.1% | — |
編碼
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
SWE-Bench Pro(公開) | 57.7% | — | 56.8% | 55.6% | — |
Terminal-Bench 2.0 | 75.1% | — | 77.3% | 62.2% | — |
電腦操作與視覺
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
OSWorld-Verified | 75.0% | — | 74.0% | 47.3% | — |
MMMU Pro(不使用工具) | 81.2% | — | — | 79.5% | — |
MMMU Pro(使用工具) | 82.1% | — | — | 80.4% | — |
工具使用
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
BrowseComp | 82.7% | 89.3% | 77.3% | 65.8% | 77.9% |
MCP Atlas | 67.2% | — | — | 60.6% | — |
Toolathlon | 54.6% | — | 51.9% | 45.7% | — |
Tau2-bench Telecom | 98.9% | — | — | 98.7% | — |
學術
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
Frontier Science Research | 33.0% | 36.7% | — | 25.2% | — |
FrontierMath Tier 1–3 | 47.6% | 50.0% | — | 40.7% | — |
FrontierMath Tier 4 | 27.1% | 38.0% | — | 18.8% | 31.3% |
GPQA Diamond | 92.8% | 94.4% | 92.6% | 92.4% | 93.2% |
Humanity's Last Exam(不使用工具) | 39.8% | 42.7% | — | 34.5% | 36.6% |
Humanity's Last Exam(使用工具) | 52.1% | 58.7% | — | 45.5% | 50.0% |
長上下文
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
Graphwalks BFS 0K–128K | 93.0% | — | — | 94.0% | — |
Graphwalks BFS 256K–1M | 21.4% | — | — | — | — |
Graphwalks parents 0–128K(準確度) | 89.8% | — | — | 89.0% | — |
Graphwalks parents 256K–1M(準確度) | 32.4% | — | — | — | — |
OpenAI MRCR v2 8-needle 4K–8K | 97.3% | — | — | 98.2% | — |
OpenAI MRCR v2 8-needle 8K–16K | 91.4% | — | — | 89.3% | — |
OpenAI MRCR v2 8-needle 16K–32K | 97.2% | — | — | 95.3% | — |
OpenAI MRCR v2 8-needle 32K–64K | 90.5% | — | — | 92.0% | — |
OpenAI MRCR v2 8-needle 64K–128K | 86.0% | — | — | 85.6% | — |
OpenAI MRCR v2 8-needle 128K–256K | 79.3% | — | — | 77.0% | — |
OpenAI MRCR v2 8-needle 256K–512K | 57.5% | — | — | — | — |
OpenAI MRCR v2 8-needle 512K–1M | 36.6% | — | — | — | — |
抽象推理
評測 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
ARC-AGI-1(已驗證) | 93.7% | 94.5% | — | 86.2% | 90.5% |
ARC-AGI-2(已驗證) | 73.3% | 83.3% | — | 52.9% | 54.2% (高) |
不含推理的評測
評測 | GPT‑5.4 | GPT‑5.2 | GPT‑4.1 |
OmniDocBench(正規化編輯距離) | 0.109 | 0.140 | — |
Tau2-bench Telecom | 64.3% | 57.2% | 43.6% |
除非另有說明,評測均將推理力度設為 xhigh。基準測試在研究環境中進行,部分情況下所提供的輸出可能與正式版 ChatGPT 略有不同。
來源:OpenAI News · openai.com