GPT-5.4 深度解读：为什么说它是 OpenAI 最重要的一次升级

一、总体定位：迈向自主智能体的里程碑

OpenAI 于 2026 年 3 月 6 日正式发布 GPT-5.4 系列模型 ，官方将其定义为 "迄今能力最强、效率最高的专业工作前沿模型"。这是 OpenAI 首次将前沿推理、编码与智能体能力整合至单一模型，深度融合了 GPT-5.3-Codex 的编码能力，并首次引入原生电脑操控能力，标志着 AI 从"被动响应"正式迈向"主动执行"的智能体新时代。

四大核心数字：

指标	数值	说明
OSWorld 电脑操控成功率	75.0%	超越人类均值 72.4%，GPT-5.2 仅 47.3%
GDPval 专业知识工作	83.0%	匹配或超越 44 个职业的行业专家
事实错误率降低	33%	单条陈述失实概率 vs GPT-5.2
最大上下文窗口	100 万 Token	OpenAI 史上最大，正式移除 Beta 标签

图1：GPT-5.4 四大核心指标概览

上图展示了GPT-5.4在电脑操控、专业知识工作、事实准确性和上下文长度四个关键维度的核心成就。其中OSWorld电脑操控成功率达75%，首次超越人类平均水平72.4%，具有里程碑意义。

二、产品版本矩阵

GPT-5.4 发布两个版本，定位清晰，覆盖不同用户群体。

GPT-5.4 Thinking

定位： 面向 ChatGPT、API 及 Codex，强化推理与对话
核心特性： 思考过程前置展示，用户可在模型响应过程中实时调整方向
开放对象： Plus、Team、Pro 订阅用户
上线状态： 网页版与 Android 已上线，iOS 即将推出

GPT-5.4 Pro

定位： 面向复杂任务最高性能需求，专为企业级高端工作负载设计
核心优势： FrontierMath 高难数学题得分 38%（Thinking 版仅 27.1%）
开放对象： API 企业版、Edu 用户、ChatGPT Pro 订阅（$200/月）
注意： 不在 Codex 中提供，仅限 ChatGPT 与 API

⚠️ 下线提醒： GPT-5.2 Thinking 将于 2026 年 6 月 5 日正式下线，由 GPT-5.4 Thinking 全面接替。

三、核心基准测试数据

专业知识工作能力（GDPval）

GDPval 基准覆盖 44 个职业的真实工作任务，测试模型匹配或超越行业专家的比率：

模型	得分
GPT-5.4 Pro	83.0% 🥇
Anthropic Opus 4.6	79.5%
GPT-5.2	70.9%

图2：GDPval 专业知识工作能力对比

GPT-5.4 Pro以83%的得分大幅领先Anthropic Opus 4.6（79.5%），这意味着在44个职业的真实工作任务中，GPT-5.4 Pro能够匹配或超越行业专家的水平，展现出强大的专业工作能力。

电脑操控能力（OSWorld-Verified）

测试通过截图 + 键鼠指令完成桌面任务的成功率，人类均值为 72.4%：

模型	得分
GPT-5.4	75.0% 🥇（超越人类）
GPT-5.3-Codex	74.0%
GPT-5.2	47.3%

图3：OSWorld 电脑操控能力对比

OSWorld测试中，GPT-5.4以75%的成功率首次超越人类均值72.4%，较GPT-5.2的47.3%实现了近28个百分点的飞跃式提升。这一突破意味着AI不再仅仅是"回答问题"的工具，而是真正能够"操作电脑"完成实际任务的智能体。

软件工程任务（SWE-Bench Pro Public）

模型	得分
GPT-5.4	57.7% 🥇
GPT-5.3-Codex	56.8%
Google Gemini 3.1 Pro	落后

智能体网页浏览（BrowseComp）

模型	得分
GPT-5.4 Pro	82.7% 🥇
GPT-5.4 Thinking	77.3%
GPT-5.2	65.8%

多步骤工具调用（Toolathlon）

模型	得分
GPT-5.4	54.6% 🥇
GPT-5.3-Codex	51.9%
GPT-5.2	46.3%

图4：核心基准测试对比

在软件工程、网页浏览和工具调用三个关键基准测试中，GPT-5.4均展现出对GPT-5.2的显著优势，尤其在BrowseComp网页浏览测试中提升了11.5个百分点，显示出更强的智能体任务处理能力。

内部专项基准

投行电子表格建模： GPT-5.4 得分 87.3% ，GPT-5.2 仅 68.4%，提升 +18.9pp
演示文稿生成： 人类评测者 68% 的情况下更偏好 GPT-5.4 的输出（美观度、视觉多样性、图像生成）

图5：内部专项基准测试

投行电子表格建模得分从68.4%提升至87.3%，提升幅度达18.9个百分点，显示出GPT-5.4在金融专业任务上的质的飞跃。而在演示文稿生成方面，人类评测者68%更偏好GPT-5.4的输出，表明其在内容美观度和视觉多样性上已达到专业水准。

四、五大核心能力升级

原生电脑操控（最大突破）

GPT-5.4 是 OpenAI 首款原生具备 Computer-Use 能力的通用大模型，能力包括：

根据屏幕截图自主发出键盘与鼠标指令
跨应用程序、跨设备完成复杂工作流
深度整合电子表格、金融分析工具等企业应用
在网页浏览器中自主调用工具与 API

关键数据： OSWorld-Verified 75.0% 超越人类均值 72.4%，较 GPT-5.2（47.3%）提升 +27.7pp。

思考过程可视化

GPT-5.4 Thinking 新增"思考过程预览"功能：

处理复杂查询时预先展示推理思路大纲
用户可在模型响应过程中实时调整方向，无需重新开始对话
对长链路任务维持对前序步骤的强意识，确保答案全程连贯

编码能力全面提升

深度融合 GPT-5.3-Codex 编码能力
Codex 快速模式 下 token 生成速度提升约 1.5 倍
SWE-Bench Pro 得分 57.7%，超越 GPT-5.3-Codex（56.8%）与 Google Gemini 3.1 Pro
代码编写、调试与工具调用效率全面提升

100 万 Token 超长上下文

API 及 Codex 支持最高 100 万 token 上下文窗口
正式移除 Beta 标签，成为稳定功能
适合跨步骤长链路任务的规划、执行与全流程验证
注意： 超过 272K token 的请求按 2× 费率计费

事实准确性大幅提升

OpenAI 称 GPT-5.4 为"迄今事实性最强模型"：

单个陈述失实概率较 GPT-5.2 降低 33%
整体响应含错误概率降低 18%
多源信息整合与"大海捞针"检索能力显著增强
能进行多轮持续搜索，将结果整合为清晰、条理分明的答案

图6：GPT-5.4 事实准确性提升

事实性是GPT-5.4的核心改进之一，单个陈述失实概率降低33%，整体响应含错误概率降低18%。这意味着用户可以更加信赖AI生成的内容，尤其在需要高精度信息的专业场景中，这一改进具有重要价值。

Tool Search 工具检索系统

全新工具调用架构，从"每次调用携带全量工具定义"改为"按需检索工具定义"：

在 250 个任务 × 36 个 MCP 服务器 的内部测试中，总 token 用量减少 47%
在大型智能体系统中显著降低调用成本
工具调用精准度与效率同步提升

五、真实应用案例与行业数据

Box 企业文档独立评测

Box 对 GPT-5.4 进行了独立第三方评测（非 OpenAI 自测），结果如下：

文档类型	GPT-5.2	GPT-5.4	提升幅度
整体提取准确率	72%	78%	+6pp
政府统计出版物	60%	70%	+10pp
学术研究文献	---	---	+7pp
法律协议文件	82%	85%	+3pp
复杂多步骤推理	73%	79%	+6pp

图7：Box 企业文档独立评测

Box的独立第三方评测显示，GPT-5.4在各类文档处理上均有提升，其中政府统计出版物的提升最为显著（+10pp）。这表明GPT-5.4在企业级文档处理场景中具有实际应用价值，尤其在复杂文档理解方面。

金融与专业服务

投行电子表格建模： 模拟初级投行分析师工作，得分 87.3%（vs GPT-5.2 的 68.4%）
Mercor APEX-Agents 排行榜： 在投行、咨询、企业法律等专业服务场景登顶榜首
FrontierMath 高难数学： GPT-5.4 Pro 得分 38%，Thinking 版 27.1%

内容创作与办公

演示文稿生成： 人类评测者 68% 更偏好 GPT-5.4 的输出，原因包括更强的美观度、视觉多样性和图像生成效果
电子表格、文档、PPT： 专业办公任务处理能力全面提升，交互次数大幅减少

六、定价体系详解

GPT-5.4 Thinking（标准版）

计费项目	价格	对比 GPT-5.2
输入（每百万 Token）	$2.50	↑ 从 $1.75 涨价
输出（每百万 Token）	$15.00	↑ 从 $14.00 涨价
Batch / Flex 定价	标准价 × 0.5	---
Priority 优先处理	标准价 × 2	---

GPT-5.4 Pro（企业高性能版）

计费项目	价格	对比 GPT-5.2 Pro
输入（每百万 Token）	$30.00	↑ 从 $21.00 涨价
输出（每百万 Token）	$180.00	↑ 从 $168.00 涨价
ChatGPT Pro 订阅	$200 / 月	---

图8：GPT-5.4 定价对比

尽管GPT-5.4的token定价有所上涨，但需要注意的是：GPT-5.4是OpenAI最token高效的推理模型，解决同等问题所需token数量显著减少。Tool Search系统可节省47%的token用量，许多实际任务的总成本反而降低。

💡 成本说明： 尽管单 token 定价上涨，但 GPT-5.4 是 OpenAI 最 token 高效的推理模型 ，解决同等问题所需 token 数量显著减少。Tool Search 系统在大型智能体场景中可节省 47% token 用量，许多实际任务的总成本反而降低。

七、竞品横向对比

能力维度	GPT-5.4	Anthropic Opus 4.6	Google Gemini 3.1 Pro
GDPval 专业知识工作	83.0% 🥇	79.5%	---
OSWorld 电脑操控	75.0% 🥇	领先	领先
SWE-Bench Pro 编码	57.7% 🥇	---	落后
上下文窗口	100 万 Token	---	200 万 Token 🥇
标准输入价格	$2.5/M Token	---	更低 🥇
APEX-Agents 专业服务	榜首 🥇	---	---

图9：竞品横向对比

在主要能力维度上，GPT-5.4在GDPval专业知识工作、OSWorld电脑操控、SWE-Bench软件工程和APEX-Agents专业服务四个维度均处于领先地位或榜首位置。尽管Google Gemini 3.1 Pro在上下文窗口（200万Token）方面有优势，但GPT-5.4在综合能力上更具竞争力。

八、深度洞察

「选哪个 OpenAI 模型」的时代终结

此前用户需要在 GPT-5.3-Codex（编码）、GPT-5.2（推理）、专用 Computer-Use 工具之间反复权衡。GPT-5.4 将编码、推理、电脑操控、100 万 Token 上下文、Tool Search 全部集成于单一模型，模型选择的认知负担大幅降低。

电脑操控：「AI 不能做我工作」的论点开始失效

OSWorld 75% 超越人类均值 72.4%，这不是渐进式改进，而是从"有趣的演示"跨越到"实际比你更擅长操作电脑"的质变。十年来以"AI 无法使用真实软件"为由的论点，正式开始过期。

基准数据需保持审慎

APEX-Agents 榜首背后有重要背景：该榜单推出时，最好的模型首次尝试专业任务成功率不足 25%，8 次尝试上限约 40%。GPT-5.4 登顶意味着它是最好的，但整个行业距离专业级可靠性仍有差距。此外，OpenAI 的对比基准选择了 GPT-5.2 而非更近的 GPT-5.3，值得注意。

Token 效率提升：涨价不等于成本上涨

GPT-5.4 单 token 定价高于 GPT-5.2，但 OpenAI 强调其是"最 token 高效的推理模型"，解决同等问题所需 token 数量显著减少。Tool Search 系统在大型智能体系统中可节省 47% token 用量，实际总成本对许多任务反而降低。

安全性：思维链监控仍然有效

OpenAI 新增了对模型思维链（Chain-of-Thought）的安全评估。测试显示 GPT-5.4 Thinking 版本中，模型欺骗性推理的发生概率更低，"表明模型缺乏隐藏推理的能力，思维链监控仍是有效的安全工具"。

九、总结

GPT-5.4 是 OpenAI 在 "从工具到智能体" 这条路上迈出的最关键一步。其核心价值不在于某一项能力的提升，而在于将所有关键能力整合为一个统一的、可自主执行任务的系统。

维度	评分	核心亮点
电脑操控	⭐⭐⭐⭐⭐	OSWorld 75%，超越人类均值
推理能力	⭐⭐⭐⭐⭐	思考可视化，实时调整
编码效率	⭐⭐⭐⭐⭐	速度 ×1.5，SWE-Bench 榜首
上下文长度	⭐⭐⭐⭐⭐	100 万 Token，正式稳定
事实准确性	⭐⭐⭐⭐	错误率降低 33%
成本效率	⭐⭐⭐⭐	涨价但 Token 效率更高

图10：GPT-5.4 核心能力评分

GPT-5.4不再是一个"回答问题的AI"，而是一个能真正替你操作电脑、处理复杂工作流的AI同事。随着智能体网络在后台自主运行成为现实，办公、开发、内容生产等全场景AI应用生态将迎来范式级变革。

GPT-5.4 深度解读：为什么说它是 OpenAI 最重要的一次升级