文｜晓静

编辑｜徐青阳

北京时间 3 月 6 日凌晨，OpenAI 正式发布新一代旗舰模型 GPT-5.4，官方定位为 " 专为专业工作而设计的最强且最高效的前沿模型 "。

比起 " 更强更快 " 的常规叙事，这次发布真正值得关注的是模型角色的转变：GPT-5.4 是一个为 Agent 而生的模型。它首次将原生计算机操控能力融入通用模型，并同时整合了 GPT-5.3-Codex 级别的编程能力、百万 Token 上下文窗口和工具搜索机制——据官方介绍，没有为整合而牺牲任何单项能力。过去让 AI 操作电脑需要依赖专用的 Computer Use Agent，现在编程、操控电脑、调用工具由同一个模型一并完成。

跑分印证了这一点：GDPval 基准测试中，GPT-5.4 在 83% 的任务上达到或超过行业专业人士水平；OSWorld 桌面操控测试成功率 75%，首次超过人类基线（72.4%）；编程能力与 GPT-5.3-Codex 持平，世界知识比 GPT-5.2 更强。

价格方面，GPT-5.4 的 API 定价为输入 $2.50/ 百万 Token、输出 $15，约为 Claude Opus 4.6（$5/$25）的一半，且支持订阅额度调用。不过 Pro 版依然很贵——有网友仅发了一句 "Hi"，GPT-5.4 Pro 就认真推理了一番，直接烧掉 80 美元。日常轻量任务，标准版可能是更明智的选择。

在 ChatGPT 中，GPT-5.4 以 "GPT-5.4 Thinking" 形式上线，逐步取代 GPT-5.2 Thinking（后者将保留 3 个月，于 2026 年 6 月 5 日正式退役）。新增的前置思路概述功能让用户可以在模型执行过程中随时介入调整方向，网页版和 Android 已上线，iOS 即将跟进。

如果用一句话概括 GPT-5.4 的意义，过去几年大模型的进化逻辑是 " 哪块短板补哪块 "，GPT-5.4 不再单点拔高，而是把所有能力整合进同一个模型做系统性优化。一个能写代码的模型是工具，一个能写代码、打开浏览器查文档、调用 API 验证结果、再把输出整理成报告的模型，是工作系统。GPT-5.4 更接近后者。

01 在 83% 的任务中达到或超过行业专业人士水平

为了评估模型在真实工作环境中的表现，OpenAI 使用 GDPval 基准测试，这项测试要求模型完成完整职业任务，而不仅仅是问答。GDPval 覆盖美国 GDP 贡献最大的九个行业和四十四种职业场景，包括制作销售演示文稿、建立会计电子表格、安排医院急诊排班、绘制制造流程图或生成短视频内容。

GPT ‑ 5.4 与前代模型在 GDPval 基准测试中的对比

在测试中，GPT ‑ 5.4 在 83% 的任务中达到或超过行业专业人士水平，而 GPT ‑ 5.2 仅为 70.9%。模拟初级投行分析师的电子表格建模测试中，GPT ‑ 5.4 平均得分 87.3%，GPT ‑ 5.2 为 68.4%。演示文稿生成任务中，人类评测者 68% 情况下更偏好 GPT ‑ 5.4 的输出，理由是视觉设计更成熟、结构更清晰、图像使用更合理。

招聘平台 Mercor 在面向专业服务工作的 APEX-Agents 评测中也得出类似结论。CEO 布伦丹 · 富迪（Brendan Foody）表示，GPT ‑ 5.4 在生成财务模型、法律分析和完整幻灯片等长期交付成果方面表现突出，同时运行速度更快，成本低于同级前沿模型。

OpenAI 还推出了 ChatGPT Excel 插件，使企业用户能够在 Excel 中直接调用模型，实现 AI 与传统办公软件的无缝协作。

OpenAI 特别关注 GPT ‑ 5.4 在电子表格、演示文稿和文档创建及编辑能力上的提升。在一项内部电子表格建模测试中，GPT ‑ 5.4 的平均得分达到 87.3%，显著高于 GPT ‑ 5.2 的 68.4%。在演示文稿评估中，人类评测者在 68% 的情况下更偏好 GPT ‑ 5.4 生成的内容，认为其视觉设计更成熟、结构更清晰、视觉变化更丰富，同时图像生成的运用也更为有效。

02 原生 " 操作 " 电脑

GPT ‑ 5.4 的最大亮点或许并非编程，而是计算机操控能力的原生整合。过去，模型要操作电脑通常需要专用的 Computer Use Agent，而 GPT ‑ 5.4 首次将这一能力直接融入通用模型。它不仅可以编写控制计算机的软件脚本，还能根据屏幕截图直接发出鼠标点击和键盘输入指令，从而完成跨应用程序的复杂操作。

在 OSWorld-Verified 测试中，GPT ‑ 5.4 通过截图识别桌面界面并执行键鼠操作的成功率达到 75%，明显高于 GPT ‑ 5.2 的 47.3%，甚至略高于人类平均水平 72.4%。在 WebArena-Verified 浏览器操控测试中，成功率为 67.3%，高于 GPT ‑ 5.2 的 65.4%。仅通过截图理解网页结构的 Online-Mind2Web 测试中，成功率达到 92.8%，远高于 ChatGPT Atlas 智能体模式的约 70%。

房地产数据公司 Mainstay 对这一能力进行了大规模实测。覆盖约三万个 HOA 和房产税门户网站的测试中，GPT ‑ 5.4 首次尝试成功率 95%，三次以内成功率 100%，任务完成速度提升约三倍，Token 消耗减少约 70%。这意味着基于 GPT ‑ 5.4 的自动化系统（如 RPA）在可靠性和成本上可能发生根本性变化。

03 视觉理解与文档解析能力显著提升

除了计算机操控能力，GPT ‑ 5.4 在视觉理解和文档解析方面也有进步。在内部 MMMU-Pro 测试中（无需外部工具辅助），GPT ‑ 5.4 的视觉理解准确率达到 81.2%，高于 GPT ‑ 5.2 的 79.5%；在含工具辅助的测试中，GPT ‑ 5.4 进一步提升至 82.1%，同样优于前代模型。

这表明模型不仅能操作电脑，还能更准确地识别屏幕信息和解析文档内容，为长周期、多步骤的办公任务提供支持。

在 OmniDocBench 文档解析测试中，GPT ‑ 5.4 的平均归一化编辑距离为 0.11，低于 GPT ‑ 5.2 的 0.14，显示出更高的解析精度和生成文档的准确性。

这意味着 GPT ‑ 5.4 在处理复杂文档内容时，能够更好地理解结构、保持信息完整，同时减少错误，为企业办公、数据分析和报告生成提供可靠支撑。

此外，OpenAI 对高分辨率和高密度图像的处理能力也有所增强。从 GPT ‑ 5.4 开始，模型支持 " 原始图像输入细节 " 模式，可处理总量最高达 1024 万像素或最大边长 6000 像素的全保真图像；" 高细节 " 模式支持最高 256 万像素或最大边长 2048 像素。

这使得模型在目标定位、图像理解及点击精度方面表现更佳，同时提升了文档生成、演示文稿和图表的质量。

04 编程与工具生态进一步强化

在编程能力方面，GPT ‑ 5.4 与 GPT ‑ 5.3-Codex 相当甚至略优，同时在延迟和 Token 效率上有显著提升。在 SWE-Bench Pro 测试中，GPT ‑ 5.4 得分 57.7%，GPT ‑ 5.3-Codex 为 56.8%，GPT ‑ 5.2 为 55.6%。Codex 中的 /fast 模式可将 Token 生成速度提升 1.5 倍，使开发者在迭代和调试过程中保持流畅工作节奏。

OpenAI 还发布了实验性 Codex 技能 Playwright（交互版），允许模型在构建 Web 应用时自动运行浏览器测试，对生成界面和功能进行可视化调试。

简单说，这个实验技能让 GPT-5.4 从 " 只会写代码 " 升级到 " 能自己打开浏览器玩自己写的游戏、发现问题再改代码 "，特别适合生成像这种高度交互、视觉反馈强的 Web 小游戏或应用。

OpenAI 展示了一个典型案例：GPT-5.4 仅凭一条简短提示词，就生成了一个完整的等距视角主题公园模拟游戏。游戏包含基于瓦片的路径铺设与景点建设系统，游客 AI 可自主寻路并排队，系统同时实时更新资金、游客数量、满意度和清洁度四项关键指标。

Playwright Interactive 在此过程中执行多轮自动化测试，验证路径铺设、摄像机导航、游客行为以及界面指标的准确性。从代码生成到测试验收，整个开发流程完全由模型独立完成。

博主 Angel 同样用 GPT-5.4 写了一个 Minecraft 克隆版，模型花了约 24 分钟，运行流畅，过程中没有卡住。他在推文里写道："Minecraft 基本上被攻克了，我现在得找个新测试了。"

此外，GPT ‑ 5.4 在网页搜索和信息整合能力上也有显著提升。在 BrowseComp 测试中（衡量 AI 代理持续浏览网页以寻找难以定位信息的能力），GPT ‑ 5.4 相比 GPT ‑ 5.2 提升了 17%，而 GPT ‑ 5.4 Pro 更是创下 89.3% 的新纪录。

这意味着模型在回答需要汇集多个来源信息的问题时表现更强，能够通过多轮搜索锁定最相关的资料，并将信息综合整理成清晰、逻辑严谨的回答。

工具调用方面，GPT ‑ 5.4 引入 " 工具搜索 " 机制。以往大量外部工具定义必须在每次请求时全量加载，占用大量 Token 并拖慢响应；新机制允许模型按需查询工具定义，显著减少 Token 开销。

实测中，在启用 36 个 MCP 服务器情况下，总 Token 使用量降低 47%，准确率保持不变。在 Toolathlon 测试中，GPT ‑ 5.4 取得 54.6%，高于 GPT ‑ 5.2 的 45.7%。Zapier CEO 韦德 · 福斯特（Wade Foster）指出，GPT ‑ 5.4 在多步骤工具调用任务中持续执行能力显著增强。

05 使用方式、价格与部署

GPT ‑ 5.4 已在 ChatGPT、API 和 Codex 平台上线。在 ChatGPT 中，GPT ‑ 5.4 Thinking 向 Plus、Team 和 Pro 用户开放，取代 GPT ‑ 5.2 Thinking；GPT ‑ 5.4 Pro 面向 Pro 和企业用户，适用于大型代码项目分析、跨系统自动化流程及长周期研究任务。

在 API 中，开发者可通过 "gpt-5.4" 和 "gpt-5.4-pro" 直接调用模型。Codex 提供最高百万 Token 实验性上下文窗口，超过标准 272K 部分按两倍费率计入使用量。

定价方面，GPT ‑ 5.4 输入价格每百万 Token 2.50 美元，输出价格 15 美元，略高于 GPT ‑ 5.2 的 1.75 美元和 14 美元；GPT ‑ 5.4 Pro 输入价格 30 美元，输出 180 美元。由于模型 Token 利用率提升，许多任务所需总 Token 数量下降，因此整体成本可能不会显著增加。

06 写在最后

GPT-4 75% 的计算机操控成功率意味着四次里仍有一次失败。从 " 能用 " 到 " 能依赖 "，GPT-5.4 是重要节点，但不是终点。

真正的问题不是 AI 能不能干活，而是当它真正能接活的时候，你准备好把哪些活交出去了？

特约编译无忌对本文亦有贡献