剛剛，奧特曼砸場發(fā)布 GPT-5.4！網(wǎng)友：一句 Hi 燒掉 80 美元

每次打開 AI 工具，你大概都要先想一秒鐘：這個(gè)任務(wù)，該用哪個(gè)模型？寫代碼是一個(gè)，查資料是另一個(gè)，讓 AI 幫你操作電腦，還得再開一個(gè)窗口。

今天過后， 這種分裂感終于有了一個(gè)答案。

就在剛剛，OpenAI 正式發(fā)布 GPT-5.4，把編程、推理、計(jì)算機(jī)操控、網(wǎng)頁搜索和百萬 Token 上下文全部整合進(jìn)同一個(gè)模型，且沒有為了整合而犧牲任何一項(xiàng)的能力。

OpenAI CEO 山姆·奧特曼也在 X 平臺發(fā)了一條簡短推文，點(diǎn)出了五個(gè)方向：知識工作更強(qiáng)、網(wǎng)頁搜索更出色、原生計(jì)算機(jī)操控、支持百萬 Token 上下文、響應(yīng)過程中隨時(shí)可介入。

寥寥數(shù)語，對應(yīng)的恰好是過去兩年 AI 應(yīng)用落地中最集中的五個(gè)痛點(diǎn)。

知識工作：十次有八次，AI 贏了專業(yè)人士

理解 GPT-5.4 在知識工作上的進(jìn)步，需要先了解 GDPval 這個(gè)基準(zhǔn)的設(shè)計(jì)邏輯。

它橫跨美國 GDP 貢獻(xiàn)最大的 9 個(gè)行業(yè)、44 種職業(yè)。任務(wù)是那些職場里每天真實(shí)發(fā)生的工作：給投資銀行寫財(cái)務(wù)模型、給醫(yī)院排急診班次、給銷售團(tuán)隊(duì)做演示文稿。

任務(wù)完成后，把輸出結(jié)果交給行業(yè)內(nèi)的真實(shí)從業(yè)者盲測打分，看 AI 的產(chǎn)出能贏過多少比例的人類同行。

GPT-5.4 的答案是 83.0%，意味著十次對比中有八次以上，行業(yè)專業(yè)人士認(rèn)為 AI 的產(chǎn)出達(dá)到或超過了人類同行水準(zhǔn)。上代 GPT-5.2 是 70.9%，差距將近 13 個(gè)百分點(diǎn)。

進(jìn)步在電子表格建模上表現(xiàn)得最為具體。GPT-5.4 模擬初級投行分析師完成建模任務(wù)，平均得分 87.3%，GPT-5.2 是 68.4%，GPT-5.3-Codex 是 79.3%，差距將近 20 個(gè)百分點(diǎn)。

法律平臺 Harvey 的 BigLaw Bench 測試結(jié)果同樣亮眼，GPT-5.4 得分 91%，專業(yè)服務(wù)評測平臺 Mercor 的 APEX-Agents 基準(zhǔn)中也拿下了第一。

準(zhǔn)確性方面同樣值得關(guān)注。 幻覺問題一直是 AI 進(jìn)入專業(yè)場景最大的攔路虎，每降低一個(gè)百分點(diǎn)，都意味著更多場景可以放心用它。

數(shù)據(jù)顯示，與 GPT-5.2 相比，GPT-5.4 單條陳述出錯(cuò)的概率低了 33%，完整回復(fù)含有錯(cuò)誤的概率低了 18%。

編程：一個(gè)模型，寫代碼測代碼全包了

GPT-5.4 把 GPT-5.3-Codex 的編程能力整合進(jìn)主線，對開發(fā)者來說，這意味著你不再需要為了寫代碼單獨(dú)開一個(gè)模型，而且編程能力本身也沒有因此打任何折扣。

SWE-Bench Pro 專門測試真實(shí)軟件工程任務(wù)，GPT-5.4 得分 57.7%，GPT-5.3-Codex 是 56.8%，GPT-5.2 是 55.6%。整合之后，編程分?jǐn)?shù)不降反升，同時(shí)還順帶獲得了計(jì)算機(jī)操控等一整套通用能力，幾乎找不到明顯的弱點(diǎn)。

知名 AI 評測博主 Dan Shipper 試用后寫道：「這是我們最近一段時(shí)間里見過 OpenAI 最出色的規(guī)劃能力，代碼審查也很強(qiáng)，而且成本大約只有 Opus 的一半。」

他點(diǎn)出了兩個(gè)具體維度。其一，規(guī)劃能力是長任務(wù)成敗的關(guān)鍵，GPT-5.4 在任務(wù)拆解和持續(xù)推進(jìn)上明顯更有條理。其二，與 Claude Opus 相比約一半的成本，對需要大規(guī)模 API 調(diào)用的開發(fā)者來說，這個(gè)差距在賬單上會非常直觀。

開啟 Codex 中的 /fast 模式后，可使 GPT?5.4 的 token 生成速度提升最高 1.5 倍，使得用戶可以在編碼、迭代和調(diào)試過程中保持流暢的工作狀態(tài)。

與此同時(shí)，新推出的實(shí)驗(yàn)性功能 Playwright Interactive 把 GPT-5.4 的編程體驗(yàn)又推進(jìn)了一步。

GPT-5.4 在構(gòu)建 Web 或 Electron 應(yīng)用時(shí)，能夠通過可視化瀏覽器進(jìn)行實(shí)時(shí)調(diào)試，模型可以邊寫代碼、邊測試自己正在構(gòu)建的應(yīng)用，同時(shí)承擔(dān)開發(fā)者和測試員兩個(gè)角色。

OpenAI 展示了一個(gè)典型案例：僅憑一條輕量提示詞，GPT-5.4 生成了一個(gè)完整的等距視角主題公園模擬游戲，涵蓋基于瓦片的路徑鋪設(shè)與景點(diǎn)建設(shè)系統(tǒng)、游客 AI 尋路與排隊(duì)行為，以及資金、游客數(shù)、滿意度、清潔度四項(xiàng)指標(biāo)全部實(shí)時(shí)動態(tài)更新的綜合評分。

Playwright Interactive 在整個(gè)過程中承擔(dān)了多輪自動化測試，驗(yàn)證路徑鋪設(shè)、攝像機(jī)導(dǎo)航、游客響應(yīng)及 UI 指標(biāo)的正確性。從寫代碼到測試驗(yàn)收，模型全程自己完成。

博主 Angel 同樣用 GPT-5.4 寫了一個(gè) Minecraft 克隆版，模型花了約 24 分鐘，運(yùn)行流暢，過程中沒有卡住。他在推文里寫道「Minecraft 基本上被攻克了，我現(xiàn)在得找個(gè)新測試了」。

沃頓商學(xué)院教授 Ethan Mollick 同樣獲得了早期訪問權(quán)限。他用同一條提示詞，讓 GPT-5.4 Pro 生成了一個(gè)受《皮拉內(nèi)西》啟發(fā)的三維空間場景，全程沒有報(bào)錯(cuò)，只額外追加了一句「把它做得更好」的指令。他隨后把結(jié)果和兩年前 GPT-4 生成的版本并排放在一起，差距一眼可見。

操控電腦這件事，它現(xiàn)在比你做得好

這是 GPT-5.4 這次發(fā)布里最值得單獨(dú)說一說的變化。此前 OpenAI 的計(jì)算機(jī)操控能力是一個(gè)獨(dú)立模塊，跟模型的語言理解、代碼生成之間有一道明顯的分隔。

兩套系統(tǒng)各管各的，信息要來回傳遞，效率自然打折。現(xiàn)在這道分隔沒了，GPT-5.4 操控電腦時(shí)，用的就是模型本身的推理能力，不需要再繞一圈。

這也是 OpenAI 第一款將計(jì)算機(jī)使用（computer use）能力原生內(nèi)置進(jìn)通用模型的產(chǎn)品，以后談 AI Agent，相信這會是一個(gè)新的起點(diǎn)。

基準(zhǔn)測試結(jié)果顯示，OSWorld-Verified 基準(zhǔn)測試桌面導(dǎo)航能力，用截圖加鼠標(biāo)鍵盤交互完成真實(shí)操作系統(tǒng)任務(wù)。GPT-5.4 達(dá)到 75.0% 的成功率，人類基線是 72.4%，GPT-5.2 是 47.3%。

簡言之，它不僅追上了人類，還超過了人類。

在只用截圖模式測試瀏覽器操控的 Online-Mind2Web 基準(zhǔn)中，GPT-5.4 達(dá)到 92.8%，對比對象 ChatGPT Atlas 的 Agent Mode 是 70.9%，

真實(shí)部署案例更能說明問題。Mainstay 將 GPT-5.4 用于約三萬個(gè)物業(yè)稅務(wù)門戶網(wǎng)站的自動表單填寫，首次成功率達(dá) 95%，三次以內(nèi)成功率 100%，而此前同類模型僅在 73% 至 79% 之間。會話完成速度提升約三倍，Token 消耗降低約 70%。

這背后繞不開視覺感知能力的改進(jìn)。操控電腦說到底是一件需要「看清楚」的事——看清楚界面上有什么、按鈕在哪里、點(diǎn)擊是否準(zhǔn)確。

GPT-5.4 在這一層做了專項(xiàng)加強(qiáng)，引入了原始圖像（original）輸入模式，支持最高 1024 萬像素或 6000 像素最大邊長的高保真圖像輸入；原有的高清（high）模式上限也從此前的標(biāo)準(zhǔn)提升至 256 萬像素或 2048 像素最大邊長。

工具調(diào)用與網(wǎng)頁搜索：持續(xù)性是核心競爭力

一個(gè)復(fù)雜的 AI Agent 系統(tǒng)，背后可能掛著幾十個(gè) MCP 工具。過去的做法是每次對話開始前，把所有工具的說明一股腦塞進(jìn)去，不管這次用不用得上，Token 先花了再說。

GPT-5.4 換了個(gè)思路：先給模型一份簡單的工具清單（即引入工具搜索機(jī)制），真正需要用哪個(gè)，再去把那個(gè)工具的詳細(xì)說明取過來，用過一次的還能直接緩存，下次不用重新拿。

在 250 項(xiàng)任務(wù)的測試中，啟用 36 個(gè) MCP 服務(wù)器的完整配置下，工具搜索模式在保持準(zhǔn)確率完全不變的前提下，將總 Token 消耗降低了 47%。將近一半的成本節(jié)省，精度一點(diǎn)沒少。

網(wǎng)頁搜索方面，GPT-5.4 在 BrowseComp 基準(zhǔn)上得分 82.7%，比 GPT-5.2 的 65.8% 高出 17 個(gè)百分點(diǎn)，Pro 版更達(dá)到 89.3%，創(chuàng)下業(yè)界最高分。Zapier CEO 評價(jià)說，GPT-5.4 會在其他模型放棄的地方繼續(xù)搜索下去，是他們測試過持續(xù)性最強(qiáng)的模型。

百萬 Token 上下文：長長長長長長

GPT-5.4 在 API 中支持最高 100 萬 Token 的上下文窗口，相當(dāng)于可以把一個(gè)完整項(xiàng)目的所有相關(guān)文檔一次性塞進(jìn)同一次對話。

但從測試結(jié)果來看，128K 至 272K 是表現(xiàn)最穩(wěn)定的區(qū)間，適合日常使用。

256K 以上準(zhǔn)確率開始下滑，需要針對具體任務(wù)驗(yàn)證后再用。512K 至 1M 區(qū)間的得分降至 36.6%，目前更接近實(shí)驗(yàn)性質(zhì)，不適合直接用于對精度要求高的生產(chǎn)任務(wù)。

還有一個(gè)實(shí)際的成本問題需要注意：超過 272K 的請求會按兩倍用量計(jì)入配額。也就是說，發(fā)一次超長上下文的請求，額度消耗等于兩次普通請求，用之前值得想清楚是否真的需要這么長。

至于在視覺抽象推理基準(zhǔn) ARC-AGI-2 上，GPT-5.4 Pro 得分 83.3%，而上代 GPT-5.2 Pro 僅為 54.2%。

再比如 FrontierMath Tier 4 是目前公認(rèn)最難的數(shù)學(xué)基準(zhǔn)之一，包含 50 道研究級別的數(shù)學(xué)題，人類數(shù)學(xué)家可能需要數(shù)周才能解出。GPT-5.4 Pro 在這個(gè)基準(zhǔn)上得分 38.0%，上代為 31.3%。

這個(gè)數(shù)字的參照系是：一年前，最好的成績是 o3 的 2%，目前最好的開源模型是 4.2%。

博主 Deedy 在推文中寫道，從 2% 到 38%，「簡直令人震驚」。Humanity's Last Exam 有工具輔助時(shí)，GPT-5.4 Pro 得分 58.7%，GPT-5.2 Pro 是 50.0%，差距接近 9 個(gè)百分點(diǎn)。

執(zhí)行中調(diào)整，不是完成后返工

用過 AI 處理長任務(wù)的人大概都有過這種體驗(yàn)：等模型跑完一大段，發(fā)現(xiàn)方向不對，只能從頭再來，時(shí)間全浪費(fèi)了。

GPT-5.4 Thinking 在 ChatGPT 中新增了一項(xiàng)「中途打斷」功能：在處理復(fù)雜任務(wù)之前，模型會先呈現(xiàn)工作計(jì)劃概要，再開始執(zhí)行。用戶可以在執(zhí)行過程中隨時(shí)介入調(diào)整方向，不必等到結(jié)果出來再從頭重來。

這個(gè)功能把糾偏這件事從「完成后」提前到了「執(zhí)行中」，對需要多輪協(xié)作的任務(wù)來說，體驗(yàn)差別會比較明顯。功能目前已在 chatgpt.com 和 Android 應(yīng)用上線，iOS 版本即將跟進(jìn)。

即日起，GPT-5.4 向 ChatGPT Plus、Team 和 Pro 用戶開放，替代 GPT-5.2 Thinking 成為默認(rèn)思考模型。

GPT-5.2 Thinking 將保留至今年 6 月 5 日后正式退役。Enterprise 和 Edu 用戶可由管理員在后臺開啟早期訪問，GPT-5.4 Pro 僅對 Pro 和 Enterprise 計(jì)劃開放。

API 標(biāo)準(zhǔn)版定價(jià)為輸入 2.50 美元/百萬 Token，緩存輸入 0.25 美元/百萬 Token，輸出 15 美元/百萬 Token。Pro 版為輸入 30 美元/百萬 Token，輸出 180 美元/百萬 Token。Batch 和 Flex 處理享標(biāo)準(zhǔn)價(jià)格五折，Priority Processing 為兩倍標(biāo)準(zhǔn)價(jià)格。

當(dāng)然，強(qiáng)大的推理能力也有它的另一面。Hyperbolic 聯(lián)合創(chuàng)始人金宇晨在 X 平臺吐槽，GPT-5.4 Pro 是他用過最愛「過度思考」的模型——僅僅發(fā)了一句簡單的「Hi」，模型就開始認(rèn)真推理，直接燒掉了 80 美元。

這并非個(gè)例。推理模型的特性決定了它在處理任何輸入時(shí)都傾向于深度思考，哪怕問題本身根本不需要。對于日常輕量任務(wù)，標(biāo)準(zhǔn)版或許是更合適的選擇；Pro 版的推理火力，還是留給真正值得的場合更劃算。

過去兩年，AI 能力的討論主要集中在基準(zhǔn)測試成績上的「聰明」，但 GPT-5.4 的聰明指向的是能夠在真實(shí)工作流中，足夠可靠地承擔(dān)責(zé)任。

過去 AI 只能輸出文字，人還需要親自操作才能讓事情發(fā)生。現(xiàn)在模型可以自己打開瀏覽器、填寫表單、點(diǎn)擊按鈕、記錄結(jié)果，獨(dú)立完成一個(gè)有頭有尾的任務(wù)閉環(huán)。

AI 正在從一個(gè)擅長回答問題的系統(tǒng)，變成一個(gè)擅長完成任務(wù)的系統(tǒng)。而這個(gè)轉(zhuǎn)變的速度，顯然比大多數(shù)人預(yù)期的更快。

附上參考地址：

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

我們正在招募伙伴

簡歷投遞郵箱hr@ifanr.com

?? 郵件標(biāo)題「姓名+崗位名稱」（請隨簡歷附上項(xiàng)目/作品或相關(guān)鏈接）