GPT-5.4发布，百万上下文、最强全能模型

OpenAI 刚刚发布了 GPT-5.4，把推理、编程、Agent 工作流全部塞进了一个前沿模型里，还首次支持百万级上下文窗口。

GPT-5.4 有三个版本：ChatGPT 里叫 GPT-5.4 Thinking，API 和 Codex 里叫 GPT-5.4，追求极限性能的还有 GPT-5.4 Pro。

这次，OpenAI 把 GPT-5.2 的通用推理能力和 GPT-5.3-Codex 业界领先的编程能力合并到了一个模型里，同时在工具调用、电脑操控、办公文档处理等方面全面升级。

用 OpenAI 的话说：用更少的来回，更准确地完成复杂的实际工作。

百万上下文

GPT-5.4 在 Codex 和 API 中实验性支持100 万 token的上下文窗口。

100 万 token 是什么概念？

大约相当于 5000 页文档，或者一整个大型代码仓库。

这让 Agent 能够在超长的任务链中规划、执行和验证，不再因为「记性不够」半途而废。

再也不必上下文恐慌了。

超过标准 272K 上下文的部分，按 2 倍费率计费。开发者可以通过配置model_context_window和model_auto_compact_token_limit来启用。

同时，GPT-5.4 还能在长时间思考时更好地保持对早期上下文的感知，不会像以前那样想着想着就忘了前面在讲什么。

可以打断

这次在 ChatGPT 中最让人眼前一亮的，是「中途打断」功能。

以前跟 ChatGPT 对话，它开始回答了，你只能干等着。万一方向跑偏了，只能等它说完再重新提问。

现在不用了。

GPT-5.4 Thinking 会先给出一个思考计划，你可以在它回答的过程中随时插嘴，补充信息、调整方向、纠正偏差，模型会立刻把你的新指令融入进去，继续生成。

比如你让它规划旅行路线，它正在推荐机票，你突然想改成自驾游，直接点「Update」按钮告诉它就行，不用从头来一轮。

对于 GPT-5 Pro 和 Deep Research 用户来说尤其有用，那些长时间的多步查询，中途能调整方向意味着省下大量的时间和 quota。

这是一个从「回合制对话」到「实时协作」的转变。目前已在网页端和 Android 上线，iOS 稍后跟进。

此外，GPT-5.4 Thinking 的深度网页搜索能力也有显著提升，特别是在高度具体的查询上，能更持久地跨多轮搜索找到最相关的信息源。

在 BrowseComp 测试中，GPT-5.4 达到82.7%，比 GPT-5.2 的 65.8% 跃升了 17 个百分点。GPT-5.4 Pro 更是拿下89.3%的新纪录。

会操作电脑了

GPT-5.4 是 OpenAI第一个原生支持 Computer Use 的通用模型。

什么叫 Computer Use？就是模型可以像人一样操控电脑：看屏幕截图，点鼠标，敲键盘，跨应用完成复杂任务。既能通过 Playwright 之类的库写代码操控，也能直接对着截图发出鼠标和键盘指令。

开发者还可以通过 developer message 调整模型行为，甚至配置自定义的安全确认策略来适配不同的风险等级。

在 OSWorld 测试中（模拟桌面环境操作），GPT-5.4 达到了75.0%的成功率。

做个对比：

• GPT-5.2 是 47.3%

• 人类水平是 72.4%

GPT-5.4 超过了人类。

在浏览器操作测试 WebArena 上拿到67.3%，在 Online-Mind2Web 上更是高达92.8%（ChatGPT Atlas Agent Mode 为 70.9%）。

视觉大升级

Computer Use 背后的关键是视觉能力的飞跃。

GPT-5.4 新增了original图片输入模式，支持最高1024 万像素的全分辨率图片（或 6000 像素最大边长），high模式也升级到 256 万像素（2048 像素最大边长）。

在 MMMU-Pro 视觉理解测试中，GPT-5.4 不使用工具就达到81.2%（GPT-5.2 为 79.5%），使用工具则达到82.1%。

文档解析能力也更强了。在 OmniDocBench 上，GPT-5.4 即使不开推理，平均错误率也从 GPT-5.2 的 0.140 降到了0.109。

API 早期测试用户反馈，在使用original或high模式后，定位能力、图像理解和点击准确率都有明显提升。

更强编程

GPT-5.4 整合了 GPT-5.3-Codex 的前沿编程能力，在 SWE-Bench Pro 上达到57.7%（GPT-5.3-Codex 为 56.8%），同时延迟更低。

在 Terminal-Bench 2.0 上得分75.1%，GPT-5.2 只有 62.2%。

但还是比 GPT-5.3-Codex 略差……

OpenAI 特别提到，GPT-5.4 在复杂前端任务上表现突出，生成的界面比以往所有模型都更美观、更可用。

Codex 里开/fast 模式，token 生成速度能提升到1.5 倍，用的是同一个模型、同样的智能水平，纯粹就是更快。开发者在 API 中可以通过 Priority Processing 获得同样的加速。

作为 Computer Use 和编程能力协同工作的示例，OpenAI 还发布了一个实验性的 Codex Skill：Playwright (Interactive)，可以在构建 Web 和 Electron 应用的过程中实时做可视化调试。边写边测，自己调自己。

极高 Token 效率

GPT-5.4 是 OpenAI最省 token 的推理模型，解决同样的问题，消耗的推理 token 比 GPT-5.2 少得多，速度也更快。

此外，GPT-5.4 引入了Tool Search机制，解决了工具调用的老大难问题。

以前给模型配工具，所有工具的定义都要塞进 prompt 里。工具一多，光定义就吃掉上万 token，又贵又慢。

现在 GPT-5.4 只需要一个轻量的工具列表。需要用哪个工具时，模型会自己去查找那个工具的定义，临时加载。这样做还有个好处：保护了缓存，让请求更快更便宜。

OpenAI 用 MCP Atlas 基准测试做了验证：36 个 MCP 服务器全部启用，Tool Search 模式比传统模式减少了 47% 的 token 消耗，准确率不变。

对于那些动辄几万 token 工具定义的 MCP 服务器来说，这个提升非常实在。

工具调用准确率也在提升。在 Toolathlon 测试中，GPT-5.4 得分54.6%（GPT-5.2 为 45.7%），用更少的轮次达到更高的准确率。在 MCP Atlas 上，GPT-5.4 得分67.2%（GPT-5.2 为 60.6%）。

最不会胡说

GPT-5.4 是 OpenAI 目前最不容易产生幻觉的模型。

跟 GPT-5.2 相比：

• 单条回答中的错误声明减少了33%

• 整条回答包含任何错误的概率降低了18%

在知识工作测试 GDPval 上，GPT-5.4 在 44 个职业的实际工作任务中，83.0%的情况下达到或超过了行业专业人员的水平。GPT-5.2 只有 70.9%。

办公场景也明显提升：

• 投行分析师的电子表格建模任务：87.3%（GPT-5.2 为 68.4%）

• PPT 制作：人类评审有68%的概率更喜欢 GPT-5.4 的版本，因为视觉更丰富、美感更强、图片运用更好

我们挑几个关键的来看下：

编程：

• SWE-Bench Pro：57.7%（GPT-5.2 为 55.6%）

• Terminal-Bench 2.0：75.1%（GPT-5.2 为 62.2%）

电脑操作和视觉：

• OSWorld：75.0%（GPT-5.2 为 47.3%，人类 72.4%）

• MMMU-Pro：81.2%（GPT-5.2 为 79.5%）

工具和搜索：

• BrowseComp：82.7%（GPT-5.2 为 65.8%）

• Toolathlon：54.6%（GPT-5.2 为 45.7%）

• MCP Atlas：67.2%（GPT-5.2 为 60.6%）

学术和推理：

• ARC-AGI-2：73.3%（GPT-5.2 为 52.9%）

• FrontierMath Tier 4：27.1%（GPT-5.2 为 18.8%）

• Humanity's Last Exam（带工具）：52.1%（GPT-5.2 为 45.5%）

• GPQA Diamond：92.8%（GPT-5.2 为 92.4%）

GPT-5.4 Pro 在多项测试中进一步拉高上限：ARC-AGI-2 达到83.3%，BrowseComp 达到89.3%，Humanity's Last Exam 达到58.7%，FrontierMath Tier 4 达到38.0%。

安全机制

GPT-5.4 被列为 OpenAI Preparedness Framework 下的**「高网络能力」等级**（与 GPT-5.3-Codex 相同），部署了对应的保护措施：

• 扩展的网络安全防护栈，包括监控系统、可信访问控制

• 对零数据留存（ZDR）平台上的高风险请求做异步拦截

• 减少了不必要的拒绝和过度谨慎的回答

OpenAI 还引入了一项新的开源评测：CoT Controllability，测试模型是否能故意隐藏自己的推理过程来逃避监控。结果显示 GPT-5.4 Thinking做不到。这对安全来说是个好消息，说明思维链监控仍然是一个有效的安全工具。

价格

API 定价对比：

模型输入缓存输入输出GPT-5.2$1.75/M$0.175/M$14/MGPT-5.4$2.50/M$0.25/M$15/MGPT-5.2 Pro$21/M—$168/MGPT-5.4 Pro$30/M$180/M

单价比 GPT-5.2 贵了一些，但由于 token 效率提升，很多任务的总成本反而会降低。

Batch 和 Flex 定价半价，Priority 加速处理 2 倍价。

谁能用

ChatGPT 方面，GPT-5.4 Thinking 即日起向Plus、Team、Pro用户开放，替代 GPT-5.2 Thinking。Enterprise 和 Edu 用户可通过管理员设置开启早期访问。

GPT-5.2 Thinking 将保留三个月，6 月 5 日正式退役，期间可在 Legacy Models 中找到。

GPT-5.4 Pro 面向 Pro 和 Enterprise 用户。

API 方面，模型 ID 分别是gpt-5.4和gpt-5.4-pro，现已可用。

OpenAI 表示，未来 Instant 系列和 Thinking 系列模型会以不同的节奏各自演进。

好了，这次又轮到 OpenAI 了：