OpenAI深夜祭出GPT-5.4，暴击Claude！原生操控电脑，打工人悬了

新智元报道

编辑：好困 桃子

【新智元导读】OpenAI深夜突袭，GPT-5.4新王炸场！一夜之间，直接粉碎了Gemini 3.1 Pro和Claude Opus 4.6的神话。这也是头一次，ChatGPT拥有真正「原生电脑使用」能力，办公效率直接拉满。而真正恐怖的地方在于，每一个维度上它都没有短板。

被Gemini和Claude连续压了一个月后，OpenAI终于动手了。

就在刚刚，下一代旗舰GPT-5.4正式发布！

• ChatGPT端：GPT-5.4 Thinking与GPT-5.4 Pro全面上线

• 开发者端：GPT-5.4接入API与Codex，并附带极速版GPT-5.4 fast

之所以直接跳到5.4，是因为这是一次「推理+编程」的合流式跨越

成绩单，直接炸裂。

• GDPval胜率83%，叫板顶尖人类专家；

• SWE-Bench Pro编程第一，FrontierMath数学第一；

• ARC-AGI-2抽象推理跑出83.3%新高，Gemini 3.1 Pro的77.1%、Opus 4.6的68.8%，全部踩在脚下。

OpenAI这次，是真的翻身了。

左右滑动查看

更炸的是，GPT-5.4还是首个拥有「原生电脑使用」能力的通用模型。

识别UI、操控键鼠、在软件和网页间穿梭自如，像人一样操作电脑。

在OSWorld-Verified上，它直接拿下75%成功率，刷爆SOTA。

上一代GPT-5.2（47.3%），人类（72.4%），一个月前刚登顶的Opus 4.6（72.7%），通通都被超了。

没错，AI操作电脑，已经比人类更熟练了。

能力融合上，GPT-5.4继承了GPT-5.3-Codex的全部编程基因，并且新增了100万token上下文和原生工具搜索，一个模型打通推理、编程、操控全链路。

GPT-5.4 Thinking在思考时，你还能随时介入调整方向，不打断思路，一次对话直接交付结果。

看来，OpenClaw之父加入后，立马让ChatGPT原生「电脑操控」能力变强了！

定价方面，GPT-5.4再创新高，输入价格2.5美元/百万token，输出价格15美元/百万token。

Pro版本就更夸张了，输入30美元/百万token，输出180美元/百万token。

首个全能「计算机使用」通用模型

先说最炸的部分。

GPT-5.4是OpenAI首个具备原生计算机使用能力的通用模型。

它能通过Playwright等库，编写代码来控制计算机，也能直接「看」屏幕截图动用鼠标和键盘。

发邮件、排日程、填表格、跑流程，这些以前需要你点来点去的活儿，现在GPT-5.4自己都能干。

在OSWorld-Verified中，GPT-5.4直接刷出了75.0%的成功率。

要知道，就在一个月前刚登顶的Claude Opus 4.6，成绩也不过72.7%。GPT-5.4一出手就把它甩开了2.3%。

在WebArena-Verified上，同时使用DOM和截图驱动交互时，GPT-5.4成功率达67.3%，领先GPT-5.2的65.4%。

在另一项Online-Mind2Web测试中，GPT-5.4仅靠截图观察就拿下了92.8%，而ChatGPT Atlas智能体模式只有70.9%，断崖级领先。

不过，GPT-5.4一切强大的执行能力，都是建立在更强的「通用视觉感知」能力之上。

在MMMU-Pro上，GPT-5.4（不使用工具）的成功率81.2%，大幅优于GPT-5.2（79.5%）。

视觉感知的提升，也直接转化为更强的文档解析能力。

在OmniDocBench上，GPT-5.4（未开启推理强度）的平均误差为0.109，而GPT-5.2为0.140。

更重磅的是，GPT-5.4还首次引入「原始」（original）和「高」（high）图像输入细节级别。

前者支持最高1024万总像素，或最大单边6000像素（以较低者为准）的全保真度感知；后者支持最高256万总像素或最大单边2048像素。

在API早期测试中，GPT-5.4在定位能力、图像理解和点击准确性均有大幅提升。

精通办公三件套，干翻华尔街分析师

如果说计算机使用是「硬功夫」，那知识工作就是GPT-5.4的「软实力」。

在GDPval基准测试中，GPT-5.4以83.0%的成绩，追平甚至超越了行业内的专业人士。

上一代GPT-5.2仅有70.9%，一个版本的差距，直接拉开了12个百分点。

GDPval测试横跨美国GDP贡献最大的9个行业、44种职业，包括销售演示文稿、会计电子表格、急诊排班表、制造图表、短视频等，全部都是要求AI真刀真枪地交付工作产出。

GPT-5.4已经能做PPT、做Excel、排班表了，而且做得比大多数专业人士还好。

在一项模拟初级投资银行分析师的内部电子表格建模测试中，GPT-5.4平均得分87.3%，GPT-5.2只有68.4%。

不仅如此，人类在68.0%的情况下，更偏好GPT-5.4生成的PPT，因其美感更强、视觉更丰富、图像使用更高效。

幻觉率暴降33%

为了让GPT-5.4真正胜任实际工作，OpenAI在减少幻觉和事实错误上持续发力。

这么说吧，GPT-5.4是OpenAI迄今为止，最讲求事实的模型。

在一组去标识化的、包含用户标记事实错误的提示词集中，相对于GPT-5.2，GPT-5.4单独声明出错的概率降低了33%，整个回复包含任何错误的概率降低了18%。

推理+代码合体，一个模型全搞定

GPT-5.4的另一个大招，完整继承了GPT-5.3-Codex的编程能力。

这意味着，不再需要在「聪明的模型」和「能写代码的模型」之间来回切换。一个模型，全部搞定。

在SWE-Bench Pro测试中，GPT-5.4拿下了57.7%准确率，媲美甚至超越了GPT-5.3-Codex（56.8%）。

但真正的杀手锏不是分数，而是效率。

GPT-5.4是OpenAI迄今Token效率最高的推理模型，解决相同问题所需的Token大幅减少，成本更低，速度更快。

而且在各种推理强度设置下，GPT-5.4的延迟都低于GPT-5.3-Codex。

在Codex的/fast模式下，其Token生成速度最高可提升1.5倍。同样的智力，同样的能力，只是快了50%。

通过API，开发者也可以使用「优先处理」（Priority Processing）获得同样飞快的速度。

内部测试中，OpenAI还发现，GPT-5.4在复杂的前端任务上表现卓越。

生成的界面不仅美观，而且功能完备程度，远超此前任何模型。

为此，他们甚至还搞了个花活，发布了实验性的「Playwright Interactive」技能，让Codex能一边构建Web应用、一边在浏览器中可视化调试测试。

• 主题公园模拟游戏

仅凭一段提示词，GPT-5.4就徒手搓出一个完整的经营类游戏。

这一个全自动运行的微观世界，瓦片路网、设施建造、景观美化一应俱全。

而且，资金、客流、幸福感与评分系统环环相扣。

其中，Playwright充当了最严苛的质检员：从疯狂扩建到设施拆除，从镜头导航到 UI 数据验证，经过数轮自动化高压测试才最终交付。

传送门：https://developers.openai.com/showcase/theme-park-builder

• 战棋RPG

经过多轮迭代，GPT-5.4打造出一款回合制网格战斗游戏，包含移动、行动、站位和遭遇战等完整系统。

图像生成负责角色和美术风格，Playwright在每一轮迭代中验证界面交互、检查并微调UI行为和着色器效果，直到战斗手感、视觉表现和整体体验全部调优到位。

传送门：https://developers.openai.com/showcase/turn-based-rpg

• 金门大桥飞行体验

同样一段提示词起步，GPT-5.4生成了一个可以自由飞行的超写实3D场景——

逼真的光照、水面、雾气、悬索、桥上行驶的车流、周围的海岸线和城市背景，支持近距离结构穿越和远景风光俯瞰。

这里，Playwright化身「王牌飞行员」，开启多角度全自动巡航测试。

它不仅验证渲染视口的稳定性，还通过截图反馈协助 AI 持续校准构图与光影分布。 ，历经一小时的高频迭代。

传送门：https://developers.openai.com/showcase/golden-gate-flight-experience

祭出「工具搜索」，Token狂砍47%

在工具使用上，GPT-5.4的进化是多层次的。

• 工具搜索

GPT-5.4引入了「工具搜索」功能，彻底解决了MCP工具太多，上下文爆炸的问题。

只需要一个轻量级的可用工具列表，真正需要某个工具时，它会自动查找定义并即时加载。

在Scale的MCP Atlas基准测试（250个任务，开启全部36个MCP服务器）中，工具搜索配置在保持相同准确率的同时，将总Token使用量减少了47%。

这对于工具定义动辄数万Token的MCP服务器来说，效率提升堪称恐怖。

• 智能体工具调用

在推理过程中，GPT-5.4决定「何时」以及「如何」使用工具时，更加精准。

在Toolathlon上，GPT-5.4以54.6%准确率，大幅领先GPT-5.3-Codex（51.9%）、GPT-5.2（45.7%），而且用的轮次更少。

智能体现在能顺畅完成「全套流程」——

阅读电子邮件→提取作业附件→上传附件→对作业评分→将结果记录到电子表格

Toolathlon：评估多步任务中现实世界工具和API使用能力

对于延迟敏感的场景（推理强度设为None），GPT-5.4在τ²-bench电信客服任务上也大幅领先。

而在开启推理强度（xhigh）的情况下，GPT-5.4在τ²-bench上更是达到了98.9%，几乎完美。

搜索暴涨17%，Pro版刷新纪录

此外，GPT-5.4的智能体网络搜索能力迎来了大幅升级。

上一次，在BrowseComp测试中，Claude Opus 4.6凭借84.0%的成绩一骑绝尘，远超GPT-5.2 Pro（77.9%）。

但GPT-5.4 Pro直接以89.3%实现了反超，标准版的82.7%也和Opus 4.6咬得很紧。

在实际使用中，这意味着GPT-5.4 Thinking更擅长回答需要从网络多源头整合信息的问题。

它能更持久地进行多轮搜索以筛选最相关的来源，尤其是「大海捞针」式的问题，并将信息综合成条理清晰、推理严密的答案。

GPT-5.4 Thinking同时还改进了深度网络研究能力。

特别是，针对极其具体的查询，并且在处理需要长时间思考的问题时能更好地保持上下文。

中途可调，告别推倒重来

GPT-5.4 Thinking在思考时，还可以随意介入，也不会打断思路。

此功能现已在网页和Android应用上线，iOS版即将推出

更关键的是，你可以在它运行中途直接调整方向、补充说明，而不需要等它全部做完再推翻重来。

一次对话就能拿到想要的结果，省掉了来回拉扯的多轮沟通成本。

同时，模型在处理困难任务时能进行更深入的思考，对对话的历史步骤保持更强的记忆感知。

OpenAI重回王座，AI格局再变天

GPT-5.4的发布，是OpenAI对Gemini 3.1 Pro和Claude Opus 4.6的一次全面反击。

GPT-5.4的恐怖之处在于，它没有短板。

推理、编程、视觉、工具使用、计算机操作、网络搜索、知识工作，每一条线都拉到了顶尖水平。

这不是某个维度的突破，这是全维度的碾压。

OpenAI用GPT-5.4告诉所有人：在通往AGI的路上，它依然是最不能被忽视的那个玩家。

详细跑分：全维度碾压

最后，附上GPT-5.4最全面的成绩单。

参考资料：

https://x.com/OpenAI/status/2029620619743219811?s=20

https://developers.openai.com/api/docs/models/gpt-5.4

https://openai.com/index/introducing-gpt-5-4/