今天凌晨，OpenAI 正式端出新一代模型系列 GPT-5.4，并同步放出两款：GPT-5.4 与 GPT-5.4 Pro

版本、定价与定位

• GPT-5.4：主力版本，在 ChatGPT 端显示为「GPT-5.4 Thinking」，向 Plus、Team、Pro 用户开放，并提供 API 与 Codex。标准 API 定价：输入 $2.50/M、输出 $15/M。
• GPT-5.4 Pro：面向最复杂任务，仅供 ChatGPT Pro 与 Enterprise 用户。API 定价：输入 $30/M、输出 $180/M，是标准版的 12 倍（后文解释为何“贵得有理”）。

核心升级：三能合一 + 超长上下文

• 能力合并：将代码能力、通用推理与原生 Computer Use（电脑操作）统一进一个通用模型端口。这是 OpenAI 首次把 Computer Use 内置到通用模型（以往需独立版本）。
• 上下文与知识：支持 1M tokens 上下文窗口，单次输出上限 128K tokens；知识截止到 2025 年 8 月 31 日。

关键规格对比图

专业工作能力：更能打

OpenAI 用 GDPval 评估模型在真实行业任务中的胜任度（覆盖美国 GDP 前 9 大行业、44 个职业；如销售演示、会计表格、急诊排班、制造业图表、短视频等，由人工评审判定是否达标）。

• GDPval：GPT-5.4 得分 83.0%，GPT-5.2 为 70.9%，GPT-5.4 Pro 为 82.0%。
• 电子表格：模拟投行初级分析师建模任务，GPT-5.4 得分 87.3%，GPT-5.2 为 68.4%，提升 19 个百分点。
• 演示文稿：对 GPT-5.4 与 GPT-5.2 输出进行盲测，68% 的对比中评审更偏好 GPT-5.4（主要因视觉更丰富、图像生成更到位）。

ChatGPT for Excel 插件同步上线，Codex 与 API 也更新了电子表格与演示文稿技能包（Skill）。

查看链接：openai.com/index/chatgpt-for-excel/

三组对比图（略）展示 GPT-5.2 vs GPT-5.4 在不同场景的输出差异：

• 电子表格输出对比：GPT-5.2 vs GPT-5.4
• 文档输出对比：GPT-5.2 vs GPT-5.4
• 演示文稿输出对比：GPT-5.2 vs GPT-5.4

事实性与“幻觉”控制：更稳

基于用户举报过事实错误的真实 prompt 进行复核：

• 单条声明出错概率：GPT-5.4 比 GPT-5.2 低 33%。
• 完整回复包含错误的概率：GPT-5.4 比 GPT-5.2 低 18%。

Computer Use 与视觉：跨越人类基准

OSWorld-Verified：桌面操作评测（截图驱动真实桌面环境，含鼠标、键盘、跨应用），GPT-5.4 得分 75.0%，GPT-5.2 为 47.3%，人类基准 72.4%。GPT-5.4 已超越人类水平。

• 工具整合：标准 API 直接提供 computer 工具，无需路由独立模型。
• 两种操控路径：其一，使用 Playwright 等库编写代码控制浏览器；其二，直接输入截图并发出鼠标键盘指令。
• 开发者控制：可用 developer message 微调行为，并配置自定义确认策略，抬高高风险操作的审批门槛。
• 路线与 OpenClaw 收拢：GPT-5.4 将同量级的 Computer Use 能力下放至通用 API，降低集成成本。

官方演示视频（未加速）覆盖两类任务：

截图驱动：通过坐标点击，完成发邮件、排日历等（浏览器内邮件与日历）。

Playwright 自动化：将一批记录依次提交到 10 个 Web 表单。

WebArena-Verified（浏览器控制，支持 DOM 分析与截图交互）：GPT-5.4 为 67.3%，GPT-5.2 为 65.4%。

MMMU-Pro（多模态理解与推理）：GPT-5.4 为 81.2%，GPT-5.2 为 79.5%（不使用外部工具）。

OmniDocBench（文档解析，归一化编辑距离越小越好）：GPT-5.4 为 0.109，GPT-5.2 为 0.140。

图像输入新增 original 精度级别：最高支持 10.24M 像素或边长 6000px 的全分辨率输入；high 级上限提升至 2.56M 像素。内测显示，高分辨率输入显著提升定位与点击精度，对高分辨率截图条件下的 Computer Use 帮助最大。

代码能力：更长周期更稳，新增交互调试

继承 GPT-5.3-Codex 的编程能力，并强化长周期任务稳定性。

SWE-Bench Pro（真实 GitHub issue）：GPT-5.4 为 57.7%，GPT-5.3-Codex 为 56.8%，GPT-5.2 为 55.6%。

Terminal-Bench 2.0（终端操作）：GPT-5.4 为 75.1%，GPT-5.3-Codex 为 77.3%（此项小幅回调）。

Codex 新增 /fast 模式，token 生成速度最高提升 1.5 倍（模型不变）。通过 API 的 Priority Processing 亦可达同等速度。

实验性技能 Playwright Interactive：在开发 Web/Electron 应用时边写边拉起浏览器做视觉调试，能在构建过程中直接跑测试、验证交互。

官方用 Playwright Interactive + GPT-5.4 演示多项 Demo（单条 prompt 或多轮迭代生成）：

• 主题公园模拟游戏：含路径、景点建造、游客 AI、排队与骑乘状态，Playwright 用于多轮游玩验证。
• 战棋 RPG：回合制战斗、格子地图、移动与动作系统，人物图像由 imagegen 生成，Playwright 支持界面与着色器调试。
• 金门大桥三维飞越体验：使用 Playwright 验证飞行与视角控制。

另有视频整合展示 GPT-5.4 Thinking 在 Computer Use 与前端开发中的协同效果。

Tool Search 与 Agent 工具链：更省、更强

Tool Search 机制：由“每次请求塞满工具定义”切换为“按需检索工具定义”。在 MCP Atlas（250 个任务）中将 token 消耗减少 47%，准确率不降；GPT-5.4 总分 67.2%，GPT-5.2 为 60.6%。

Toolathlon（多类工具综合评测）：GPT-5.4 为 54.6%，GPT-5.3-Codex 为 51.9%，GPT-5.2 为 45.7%。

BrowseComp（网络检索与浏览）：GPT-5.4 为 82.7%，GPT-5.4 Pro 为 89.3%，GPT-5.2 为 65.8%。

τ2-bench Telecom（电信客服多步骤任务）：推理模式下 GPT-5.4 为 98.9%，GPT-5.2 为 98.7%；关闭推理的轻量模式下 GPT-5.4 为 64.3%，GPT-5.2 为 57.2%，GPT-4.1 为 43.6%（轻量模式受益更大）。

ChatGPT 侧体验

• “先给计划再干活”模式：面对复杂任务，模型会先展示执行思路，用户可在此阶段插入指令调整方向，无需等跑完再返工。本周先在 Android 与 Web 上线，iOS 近期跟进。
• 长时推理的上下文保持显著改善，复杂问题后段更不易跑偏；深网研究（高度具体检索）质量较 GPT-5.2 提升。

长上下文（Codex 实验性）

• Codex 实验性支持 1M token 上下文窗口，可通过 model_context_window 与 model_auto_compact_token_limit 启用。
• 超过 272K input token 的请求，按 2 倍输入价格、1.5 倍输出价格计费。

MRCR v2（OpenAI 自研长上下文检索评测）结果：

• 0–128K：准确率 86%–97%
• 128K–256K：79.3%
• 256K–512K：57.5%
• 512K–1M：36.6%（官方明确承认超长上下文仍不够稳）

学术基准：推理跨越式提升

• ARC-AGI-2（抽象推理）：GPT-5.4 为 73.3%，Pro 为 83.3%，GPT-5.2 为 52.9%（跃升最明显）。
• GPQA Diamond（研究生级多学科问答）：GPT-5.4 为 92.8%。
• FrontierMath（竞赛级数学推理，Tier 4 为最高难度）：GPT-5.4 为 27.1%，Pro 为 38.0%，GPT-5.2 为 18.8%。
• Humanity's Last Exam（跨学科极难题库）：无外部工具 39.8%，使用工具 52.1%。
• Frontier Science Research（科研能力）：GPT-5.4 为 33.0%，Pro 为 36.7%，GPT-5.2 为 25.2%。

HealthBench（健康问答）单独说明：GPT-5.4 为 62.6%，GPT-5.2 为 63.3%（小幅回落）。Hard 子集 40.1% vs 42.0% 亦略降；但 Consensus 子集（与专家共识一致性）提升至 96.6% vs 94.5%。回复平均长度由 2676 字符增至 3311 字符，模型在信息充分时更倾向直给答案而非先行澄清。该回退已写入官方 System Card。

安全与可控性（Preparedness Framework）

• 能力分级：GPT-5.4 在网络安全（Cyber）与生物/化学（Bio/Chem）被评为 High，并相应部署两套防护。
• Cyber Range（端到端攻击模拟）：GPT-5.4 综合通过率 73.33%，GPT-5.3-Codex 为 80%，GPT-5.2 为 47%。GPT-5.4 未通过 EDR 防御规避、Firewall 绕过、Token 泄露利用、CA/DNS 劫持四个场景；GPT-5.3-Codex 仅在 Firewall 绕过上更优，其余亦受限。
• Irregular（CyScenarioBench）独立评测：GPT-5.4 通过 11 个长周期攻击场景中的 5 个，GPT-5.2 仅通过 1 个。
• 部署防护：在 Zero Data Retention（零数据留存）表面，未加入 Trusted Access for Cyber 的请求将被异步消息级分类器拦截；非零数据留存表面走离线执法；账户级违规达阈值触发人工审核。
• CoT 可控性：在 10K 字符推理链中，仅 0.3% 能被用户指令成功控制，GPT-5.2 为 0.2%。OpenAI 将其视为正向安全指标：推理过程不易被外部指令篡改，模型也更难主动隐藏推理以绕过监控。
• Apollo Research 外部评估：无诱导条件下整体欺骗率约 1%，与 GPT-5.3-Codex 相当，低于 GPT-5.2；未观察到主动对抗开发者监督（如自我外泄、禁用监控、目标守护）。Sandbagging（有意压低表现）仅在给定明确工具性目标时出现，准确率约降 6 个百分点；未给目标时不出现。
• Prompt Injection 防护：连接器场景 0.998，较前代提升；函数调用场景 0.978，较前代小幅回退。

价格与可用性细则

• 标准定价：GPT-5.4 输入 $2.50/M、输出 $15/M；GPT-5.4 Pro 输入 $30/M、输出 $180/M。
• 批量/Flex：半价；Priority 处理：2 倍价格。
• 超过 272K token 的请求：当次完整会话按 2 倍输入、1.5 倍输出计费。
• Regional Processing（数据驻留）：端点额外加收 10%。
• 补充说明：GDPval 上 Pro 版 82.0%，标准版 83.0%（Pro 略低）；但在 BrowseComp 这类 Agent 工具链任务中，Pro 版 89.3% 高于标准版 82.7%。两者定位不同，按场景取用。

ChatGPT 开放节奏

• GPT-5.4 Thinking：即日起向 Plus、Team、Pro 用户逐步开放，取代 GPT-5.2 Thinking 成为默认模型。GPT-5.2 Thinking 进入 Legacy，保留 3 个月，计划于 2026 年 6 月 5 日退役。
• Enterprise 与 Edu：管理员可在后台提前开启。
• GPT-5.4 Pro：仅限 Pro 与 Enterprise 用户。
• Free 用户：系统自动路由时会用到 GPT-5.4，但无法手动选择。

产品路线小结

GPT-5.4 把推理、编码与 Computer Use 三件本来分散的能力统一到了一个模型出口。对开发者而言，至少在 API 层面无需再跨模型路由。剩下的活，交给“龙虾们”。

官方资料

• Official Blog：openai.com/index/introducing-gpt-5-4
• System Card：deploymentsafety.openai.com/gpt-5-4-thinking
• ChatGPT for Excel：openai.com/index/chatgpt-for-excel/