GPT-5.4 · 官方来源 · 厂商自报
OpenAI 披露 GPT-5.4 在 GDPval 达到 83.0%、SpreadsheetBench 达到 87.3%，并说明长上下文与工具搜索的边界。
待验证：本次未能重新核实原文。下方历史数字不代表已核实的当前结果。
官方数据支持 GPT-5.4 在计算机使用、网页搜索、专业知识工作和工具调用上的综合升级，但 1M 上下文、长上下文计价和研究环境差异必须纳入复现与成本评估。
适合的任务：跨软件计算机使用、专业文档/表格/演示、深度网页搜索、工具密集 Agent、代码与长任务。
不适合的任务：不需要推理却默认用 xhigh 的低延迟任务，或把 1M 上下文当作全程无损记忆的工作流。
适用的模型版本：gpt-5.4；发布页同时包含 gpt-5.4-pro，本文重点是普通版。
适用的客户端、Agent 或 API：ChatGPT Thinking、API、Codex；API 模型名 gpt-5.4。
推荐的推理档位和参数：官方评测大多使用 xhigh，但专业生产任务应按官方 guidance 从 none/low/medium 做 sweep；长上下文与工具设置必须固定。
通用评估：官方研究环境；发布页明确说结果可能与正式上线 ChatGPT 略有不同。
GDPval：44 个职业、9 个高 GDP 行业的知识工作；GPT-5.4 xhigh，GPT-5.2 使用 ChatGPT 可用较低 heavy。
OSWorld-Verified：截图+键盘/鼠标操作桌面环境。
WebArena-Verified：DOM 与截图双驱动；Online-Mind2Web 仅截图观察。
MCP Atlas：36 个 MCP servers，比较全量定义与 tool search，250-task 平均。
长上下文：Graphwalks、MRCR v2；模型支持 1M，上述 >272K 请求有不同价格/限额。
| 基准 | GPT-5.4 | GPT-5.3-Codex | GPT-5.2 |
|---|---|---|---|
| GDPval（胜出或持平） | 83.0% | 70.9% | 70.9% |
| SWE-Bench Pro Public | 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% |
| WebArena-Verified（DOM+截图） | 67.3% | 未公开 | GPT-5.2 65.4% |
| Online-Mind2Web（截图） | 92.8% | 未公开 | ChatGPT Atlas 70.9% |
| MMMU-Pro（无工具/有工具） | 81.2% / 82.1% | 未公开 | 79.5% / 80.4% |
| MCP Atlas | 67.2% | 未公开 | 60.6% |
| GPT-5.4 OpenAI MRCR 512K–1M | 36.6% | 未公开 | — |
专业工作补充：GDPval 83.0%；内部投行建模平均 87.3%；FinanceAgent v1.1 56.0%；OfficeQA 68.1%。发布页还报告 GPT-5.4 相比 GPT-5.2 在去标识用户事实错误测试中，单项陈述错误率降低 33%、完整回复包含错误的概率降低 18%。
GPT-5.4 的相对强项是“做事”：计算机使用 75.0%、BrowseComp 82.7%、工具搜索和长程专业工作；与 GPT-5.2 相比，编码、文档、工具和视觉都有提升。对于生产 Agent，结果应以相同工具/harness、成本和完成率验证，而非只采用官方最高 xhigh 分数。
官方 benchmark 由 OpenAI 运行，输入、完整工具 schema、随机种子、失败样本和置信区间未全部公开。
BrowseComp 得分受搜索系统、时间、黑名单和 ChatGPT search tool 影响；官方明确 API 搜索可能不同。
1M 长上下文的 Graphwalks/MRCR 结果显示远端区间性能下降；“支持 1M”不等于 1M 内均匀可靠。
合作方评价和内部任务不是独立受控测试；例如财务、房产税门户、法律 benchmark 需按各自 harness 理解。
固定 gpt-5.4 快照、reasoning effort、verbosity、工具定义、权限和上下文长度。
按业务选取代码、文档、表格、电脑使用和网页搜索任务，记录完成/失败、工具调用、token、延迟和人工接管。
对 tool search 与全量工具定义做同一任务 A/B，验证 token 节省是否保持准确率。
对 272K 以下与以上请求分别计算真实成本，并跑 256K–1M 的召回/引用测试。
与 GPT-5.2/5.3-Codex 或目标模型使用同一 harness 对照，报告任务类型而非只给总平均。
官方发布页提供上述表格、测试定义、定价、工具搜索 47% token 节省以及 OSWorld/WebArena/Online-Mind2Web 的原始数字，并说明多数评估使用 xhigh、研究环境结果可能与线上不同。
OpenAI 将 GPT-5.4 描述为 “most capable and efficient frontier model for professional work”，同时公开 1M 长上下文的远端召回和费用边界；两者应一起记录。
本文中的数字、任务集、推理档位和客户端条件只在所列来源及采集时点内成立。不同版本、不同 harness 或不同提供商的数据不能直接并排比较；未公开的参数保持未知。
需要复测时，请固定模型版本、提供商或客户端、推理档位、工具、任务集版本、样本数和采集日期，并记录失败、重试与人工修正。完整方法和复现步骤见下方来源笔记。
OpenAI Newsroom · OpenAI 官方 · 原文发布日期 2026-03-05 · 本站编辑日期 2026-09-20
打开原始来源GPT-5.4
下载 Tabbit 客户端后检查模型可用性
