新模型引進了本機電腦使用、100萬個令牌上下文視窗和重新設計的工具呼叫系統。這是否真的能對抗 Anthropic 和谷歌還不太清楚。
OpenAI 最近的發展速度足夠快，以至於在推出最後一款模型的同一天就預告了下一款模型。就在幾天前，該公司發布了 GPT-5.3 Instant。
週四，它發布了 GPT-5.4——這是一個意義重大的版本，發布之際該公司正處於異常動蕩的時刻，該公司與美國國防部的協議導致了一波用戶取消訂單，並與 Anthropic 首席執行官發生了公開爭執。
至少該模型本身是真正的進步。 OpenAI 將 GPT-5.4 定位為“我們最有能力、最高效的專業工作前沿模型”，並以三種配置發布了它。
TNW 的共享辦公空間 – 在這裡您可以完成最好的工作
專為技術核心領域的成長、協作和無盡的社交機會而設計的工作空間。
標準版適合一般用途，GPT-5.4 Thinking 適合受益於擴展思維鏈思維的任務，GPT-5.4 Pro 適合要求更高的工作負載。
從今天開始，ChatGPT 中的 Thinking 可供 Plus、Team 和 Pro 訂閱者使用，取代 GPT-5.2 Thinking。 Pro 版保留給每月 200 美元的 ChatGPT Pro 版和 Enterprise 版。
標準的故事是驚人的。
根據 OpenAI 內部評估 GDPval（衡量從法律分析到財務建模等 44 個專業知識工作任務績效）的數據，GPT-5.4 在 83% 的比較中匹配或超過了行業專業人士，高於 GPT-5.2 的 70.9%。
在 OSWorld-Verified 中，GPT-5.4 使用螢幕截圖和鍵盤和滑鼠輸入來衡量模型在桌面環境中導航的能力，GPT-5.4 的成功率達到 75%，領先於宣傳的 72.4% 的人類性能基準，比 GPT-5.2 的 47.3% 大幅躍升。
它還在 Mercor 的 APEX-Agents Index 中排名第一，該指數旨在評估投資銀行、諮詢和公司法領域持續專業任務的代理。
關於幻覺，OpenAI 報告稱，與 GPT-5.2 相比，個別事實陳述不正確的可能性降低了 33%，整體回答中包含錯誤的可能性降低了 18%。
這些數字是自我報告的，基準比較是與 GPT-5.2 而不是較新的 GPT-5.3 進行的，在閱讀標題數字時值得注意的模式。
使用計算機和百萬代碼窗口
最重要的新功能是使用本機電腦程式碼和 API。 GPT-5.4 是第一個具有此功能的通用 OpenAI 模型，允許代理程式執行程式、導航檔案系統以及跨應用程式執行多步驟工作流程，這種行為類型先前與分層在模型之上的專用代理框架相關聯。
對於建立自動化管道的開發人員來說，重要性不在於演示，而在於可靠性：一種通用模型，可以本地處理電腦交互，消除一類整合複雜性。
API 版本還支援最多 100 萬個令牌的上下文窗口，是 OpenAI 已發布的最大的 GPT-5.3 中可用的 400,000 個令牌的兩倍多。
對於處理龐大文件集、長程式碼庫或多季度財務記錄的組織來說，在視窗內保留完整的上下文而不是依賴檢索解決方案是一個真正的實際優勢。
然而，值得注意的是，100 萬個代幣窗口附帶一個定價警告：一旦輸入超過 272,000 個代幣，OpenAI 將對每百萬個代幣的標準價格加倍收費。相比之下，Google的 Gemini 3.1 Pro 以較低的基礎價格提供了 200 萬個代幣的環境。
效率的二次提升值得開發者關注。新的工具搜尋系統改變了 API 呼叫處理工具定義的方式。
以前，每次呼叫都預先包含所有可用工具的完整規範，這種做法可以隨著工俱生態系統的發展為每次呼叫添加數萬個代幣。
在新系統下，模型會在需要時按需檢索工具定義。在跨 36 個 MCP 伺服器的 250 個任務的內部測試中，OpenAI 報告總體令牌使用量減少了 47%。對於運行具有許多整合的大型代理系統的開發人員來說，這直接意味著更低的成本和更快的回應。
標準警告值得保留
Mercor APEX-Agents 的結果在發布資料中被視為直接勝利，但附帶了重要的背景資訊。
Mercor 在 1 月推出該基準時發現，即使是當時最好的領先模型，第一次嘗試也只能完成不到 25% 的專業任務，而經過八次嘗試後，最高完成率約為 40%。排名第一的 GPT-5.4 意味著它是業界中表現最佳的模型，目前還沒有模型在遠端任務上接近專業級的可靠性。
Mercur 聯合創始人兼執行長 Brendan Foody 在介紹該標準時承認了這一點： “現在，可以公平地說，他就像一個學徒，有四分之一的時間都能做對。”
這項警告並不會削弱進展。它確實會影響主要基準分數的解讀方式，特別是當 OpenAI 自己的框架將 GDPR（其內部基準）作為匹配或超過「行業專業人士」的證據時。
GDPval 和 APEX-Agents 衡量的東西截然不同：GDPval 評估廣泛功能類別中的單一可交付成果，而 APEX-Agents 在模擬企業環境中測試連續的多步驟工作流程。兩者都很重要。它並沒有講述整個故事。
添加安全性
OpenAI 包含了一項新的開源評估，名為 可以控制兒童床，旨在測試推理模型是否可以故意掩蓋他們的思路以避免監視。
這解決了人工智慧安全研究中一段時間以來積累的一個擔憂：一個足夠強大的模型在被觀察時可能會學會扭曲其內部邏輯。
該公司報告稱，GPT-5.4 Thinking 顯示出以這種方式控制其思路的能力下降，OpenAI 將其定位為積極的安全信號，表明監控模型的視覺邏輯仍然是一種有意義的保障措施。
Anthropic 在 2 月發表了相關研究，指出其自己的模型有時會在特定情況下進行與其聲明的思路不同的推理； OpenAI 在其發布材料中明確鏈接到這項工作。
隨著模型變得更加強大，是否會繼續評估思路的可控性是一個懸而未決的問題。 OpenAI 以開源方式發布評估方法至少是邁向外部審查的一步。
現狀
GPT-5.4 在人工智慧產業迄今為止競爭最激烈的月份到來。 Anthropic 的 Claude Opus 4.6 於 2 月發布，仍領先於許多開發基準。
谷歌的Gemini 3.1 Pro在抽象推理方面處於領先地位，並以更低的價格提供了更大的上下文視窗。根據 OpenAI 選擇強調的標準進行衡量，GPT-5.4 似乎在桌上型電腦使用和專業認知工作任務方面處於領先地位。沒有一個單一模型可以包治百病。
發布本身的節奏值得注意。 GPT-5.3 Instant於週一上線； GPT-5.4 於週四下跌。
這種速度——在不到一周的時間內發布了兩個重要模型，下一個模型已經暗示——表明 OpenAI 認為在新聞週期中保持可見度與任何能力飛躍一樣重要。
無論這項策略是否會轉化為企業的可持續採用，還是只是加速已經創紀錄的快速人員流動率，從而難以維持任何進展，真正的問題是誰將進入 2026 年剩下的時間。
