Hari ini, kami melancarkan GPT‑5.4 dalam ChatGPT (sebagai GPT‑5.4 Thinking), the API, dan Codex. Ia ialah model perbatasan kami yang paling berkemampuan dan cekap untuk kerja profesional. Kami juga melancarkan GPT‑5.4 Pro dalam ChatGPT dan API, untuk orang yang mahukan prestasi maksimum bagi tugas yang kompleks.
GPT‑5.4 menyatukan yang terbaik daripada kemajuan terkini penaakulan, pengekodan, dan aliran kerja agentic kami ke dalam satu model perbatasan. Ia menggabungkan keupayaan pengekodan terkemuka dalam industri daripada GPT‑5.3‑Codex sambil meningkatkan cara model berfungsi merentas alat, persekitaran perisian, dan tugas profesional yang melibatkan hamparan, pembentangan, dan dokumen. Hasilnya ialah sebuah model yang menyelesaikan kerja sebenar yang kompleks dengan tepat, berkesan, dan cekap—memberikan apa yang anda minta dengan kurang ulang-alik.
Dalam ChatGPT, GPT‑5.4 Thinking kini boleh menyediakan pelan awal tentang pemikirannya, supaya anda boleh melaraskan haluan di tengah-tengah respons semasa ia berfungsi, dan menghasilkan output akhir yang lebih sejajar dengan apa yang anda perlukan tanpa pusingan tambahan. GPT‑5.4 Thinking juga meningkatkan penyelidikan web mendalam, terutamanya untuk pertanyaan yang sangat khusus, sambil lebih mengekalkan konteks untuk soalan yang memerlukan pemikiran yang lebih lama. Bersama-sama, penambahbaikan ini bermakna jawapan yang lebih berkualiti yang tiba lebih pantas dan kekal relevan dengan tugasan yang sedang dijalankan.
Dalam Codex dan API, GPT‑5.4 ialah model tujuan umum pertama yang kami keluarkan dengan keupayaan penggunaan komputer natif yang terkini, membolehkan ejen mengendalikan komputer dan melaksanakan aliran kerja yang kompleks merentas aplikasi. Ia menyokong sehingga 1 juta token konteks, membolehkan ejen merancang, melaksanakan, dan mengesahkan tugas merentas jangka masa yang panjang. GPT‑5.4 juga meningkatkan cara model berfungsi merentas ekosistem besar alat dan penyambung dengan carian alat, membantu ejen mencari dan menggunakan alat yang sesuai dengan lebih cekap tanpa mengorbankan kecerdasan. Akhirnya, GPT‑5.4 ialah model penaakulan kami yang paling cekap token setakat ini, menggunakan jauh lebih sedikit token untuk menyelesaikan masalah berbanding GPT‑5.2—mengurangkan penggunaan token dan meningkatkan kelajuan.
Bersama-sama dengan kemajuan dalam penaakulan umum, pengekodan, dan kerja pengetahuan profesional, GPT‑5.4 membolehkan ejen yang lebih boleh dipercayai, aliran kerja pembangun yang lebih pantas, dan output berkualiti lebih tinggi merentas ChatGPT, API, dan Codex.
GPT‑5.4 | GPT‑5.3‑Codex | GPT‑5.2 | |
GDPval (menang atau seri) | 83.0% | 70.9% | 70.9% |
SWE-Bench Pro (Awam) | 57.7% | 56.8% | 55.6% |
OSWorld-Disahkan | 75.0% | 74.0%* | 47.3% |
Toolathlon | 54.6% | 51.9% | 46.3% |
BrowseComp | 82.7% | 77.3% | 65.8% |
*Dilaporkan sebelum ini sebagai 64.7%. GPT‑5.3‑Codex mencapai 74.0% dengan parameter API yang baru diperkenalkan yang mengekalkan resolusi imej asal.
Berdasarkan GPT‑5.2, keupayaan penaakulan umum, GPT‑5.4 memberikan hasil yang lebih konsisten dan kemas pada tugasan dunia sebenar yang penting kepada para profesional.
Pada GDPval, satu penilaian yang menguji keupayaan ejen untuk menghasilkan kerja pengetahuan yang ditentukan dengan baik merentasi 44 pekerjaan, GPT‑5.4 mencapai tahap terkini yang baharu, menyamai atau mengatasi profesional industri dalam 83.0% perbandingan, berbanding 70.9% untuk GPT‑5.2.
Dalam GDPval, model cuba melaksanakan kerja pengetahuan yang ditentukan dengan baik yang merangkumi 44 jenis pekerjaan dari 9 industri teratas yang menyumbang kepada KDNK AS. Tugas meminta produk kerja sebenar, seperti pembentangan jualan, hamparan perakaunan, jadual rawatan segera, diagram pembuatan, atau video pendek. Usaha penaakulan ditetapkan kepada xhigh untuk GPT‑5.4 dan heavy untuk GPT‑5.2 (pada tahap yang lebih rendah sedikit dalam ChatGPT).
“GPT-5.4 ialah model terbaik yang pernah kami cuba.” Ia kini berada di puncak papan pendahulu pada penanda aras APEX-Agents kami, yang mengukur prestasi model untuk kerja perkhidmatan profesional. Ia cemerlang dalam menghasilkan hasil serahan jangka panjang seperti dek slaid, model kewangan dan analisis undang-undang, memberikan prestasi terbaik sambil berjalan lebih pantas dan pada kos yang lebih rendah daripada model perbatasan yang bersaing.”
Kami memberi penekanan khusus pada penambahbaikan GPT‑5.4’s keupayaan untuk mencipta dan menyunting hamparan, pembentangan, dan dokumen. Pada penanda aras dalaman untuk tugas pemodelan hamparan yang mungkin dilakukan oleh seorang penganalisis perbankan pelaburan junior, GPT‑5.4 mencapai skor min sebanyak 87.3%, berbanding 68.4% untuk GPT‑5.2. Dalam satu set prom penilaian pembentangan, penilai manusia lebih memilih pembentangan daripada GPT‑5.4 68.0% setiap masa berbanding pembentangan daripada GPT‑5.2 disebabkan estetik yang lebih kuat, kepelbagaian visual yang lebih besar, dan penggunaan penjanaan imej yang lebih berkesan.
Dokumen dijana dengan usaha penaakulan ditetapkan kepada xhigh
Anda boleh mencuba keupayaan ini dalam ChatGPT menggunakan GPT‑5.4 Thinking atau Pro. Jika anda pelanggan Enterprise, kami mengesyorkan menggunakan ChatGPT untuk Excel tambahan(dibuka dalam tetingkap baru) yang baru kami keluarkan, yang juga dilancarkan hari ini. Kami juga telah mengemas kini hamparan(dibuka dalam tetingkap baru) dan kemahiran pembentangan(dibuka dalam tetingkap baru) kami yang tersedia dalam Codex dan API.
Untuk menjadikan GPT‑5.4 lebih baik dalam kerja dunia sebenar, kami meneruskan kemajuan kami dalam mengurangkan halusinasi dan ralat. GPT‑5.4 ialah model kami yang paling berfakta setakat ini: pada satu set prom yang dinyahkenal pasti di mana pengguna menandakan ralat fakta, GPT‑5.4 tuntutan individu adalah 33% kurang berkemungkinan palsu dan respons penuhnya adalah 18% kurang berkemungkinan mengandungi sebarang ralat, berbanding GPT‑5.2.
“GPT-5.4 menetapkan penanda aras baharu untuk kerja undang-undang yang sarat dengan dokumen. Dalam penilaian BigLaw Bench kami, ia mencatatkan 91%. Berbanding dengan model-model lain, GPT-5.4 pada masa ini lebih baik dalam menyusun analisis transaksi yang kompleks, mengekalkan ketepatan merentas kontrak yang panjang, dan menyampaikan tahap perincian tinggi yang diperlukan oleh pengamal undang-undang.”
GPT‑5.4 ialah model tujuan umum pertama kami dengan keupayaan asli untuk penggunaan komputer dan menandakan satu langkah besar ke hadapan untuk pembangun dan ejen. Ia merupakan model terbaik yang kini tersedia untuk pembangun yang membina ejen yang menyelesaikan tugas sebenar merentas laman web dan sistem perisian.
Kami telah mereka bentuk GPT‑5.4 untuk berprestasi tinggi merentas pelbagai jenis beban kerja penggunaan komputer. Ia cemerlang dalam menulis kod untuk mengendalikan komputer melalui pustaka seperti Playwright, serta mengeluarkan arahan tetikus dan papan kekunci sebagai respons kepada tangkapan skrin. Tingkah lakunya boleh dikawal melalui mesej pembangun, bermakna pembangun boleh melaraskan tingkah laku untuk memenuhi kes penggunaan tertentu. Pembangun malah boleh mengkonfigurasi tingkah laku keselamatan model agar sesuai dengan tahap toleransi risiko yang berbeza dengan menetapkan dasar pengesahan tersuai.
Prestasi dan fleksibiliti model tercermin merentasi penanda aras yang menguji penggunaan komputer merentasi tetapan yang berbeza. Pada OSWorld-Verified, yang mengukur keupayaan model untuk mengendalikan persekitaran desktop melalui tangkapan skrin serta tindakan papan kekunci/tetikus, GPT‑5.4 mencapai tahap terkini 75.0% kadar kejayaan, jauh melebihi GPT‑5.2’s 47.3%, dan mengatasi prestasi manusia pada 72.4%.1
Pada WebArena-Verified, yang menguji penggunaan pelayar, GPT‑5.4 mencapai kadar kejayaan terunggul 67.3% apabila menggunakan kedua-dua interaksi dipacu DOM dan dipacu tangkapan skrin, berbanding 65.4% GPT‑5.2. Pada Online-Mind2Web, yang juga menguji penggunaan penyemak imbas, GPT‑5.4 mencapai kadar kejayaan 92.8% dengan hanya menggunakan pemerhatian berasaskan tangkapan skrin, meningkat berbanding Mod Ejen ChatGPT Atlas, yang mencapai kadar kejayaan 70.9%.
Hasil alat ialah apabila pembantu menunggu untuk menanti respons alat. Jika 3 alat dipanggil secara selari, diikuti oleh 3 lagi alat dipanggil secara selari, bilangan yield ialah 2. Yield alat ialah proksi kependaman yang lebih baik daripada panggilan alat kerana ia mencerminkan manfaat penyejajaran.
GPT‑5.4 mentafsir tangkapan skrin antara muka pelayar dan berinteraksi dengan elemen UI melalui klik berasaskan koordinat untuk menghantar e-mel dan menjadualkan acara kalendar. Video tidak dipercepatkan.
Penggunaan komputer GPT‑5.4 yang ditingkatkan dibina berasaskan keupayaan persepsi visual umum model yang ditingkatkan. Pada MMMU-Pro, ujian pemahaman visual dan penaakulan sesebuah model, GPT‑5.4 mencapai kadar kejayaan 81.2% tanpa penggunaan alat, satu peningkatan berbanding GPT‑5.2 79.5%. Persepsi visual yang ditingkatkan juga membawa kepada keupayaan penghuraian dokumen yang lebih baik. Pada OmniDocBench, GPT‑5.4 tanpa usaha penaakulan mencapai ralat purata (diukur melalui jarak suntingan dinormalisasi antara ramalan model dan kebenaran sebenar) sebanyak 0.109, meningkat daripada 0.140 GPT‑5.2.
MMMUPro dijalankan dengan usaha penaakulan ditetapkan kepada xhigh. OmniDocBench dijalankan dengan usaha penaakulan ditetapkan kepada none, untuk mencerminkan prestasi kos rendah dan kependaman rendah.
Kami juga meningkatkan pemahaman visual untuk imej padat beresolusi tinggi yang berkualiti penuh. Mulai dengan GPT‑5.4, kami memperkenalkan tahap perincian input imej asal(dibuka dalam tetingkap baru) yang menyokong persepsi kesetiaan penuh sehingga 10.24M jumlah piksel atau dimensi maksimum 6000-piksel, yang mana lebih rendah; tahap perincian input imej high kini menyokong sehingga 2.56M jumlah piksel atau dimensi maksimum 2048-piksel. Dalam ujian awal dengan pengguna API, kami memerhatikan peningkatan yang ketara dalam keupayaan penyetempatan, pemahaman imej, dan ketepatan klik apabila menggunakan asal atau perincian tinggi.
“Dalam penilaian kami yang mengukur prestasi penggunaan komputer merentasi ~30K portal HOA dan cukai hartanah, GPT-5.4 mencapai kadar kejayaan 95% pada percubaan pertama dan 100% dalam tiga percubaan, berbanding ~73–79% dengan model CUA terdahulu. Ia juga menyelesaikan sesi ~3x lebih pantas sambil menggunakan ~70% kurang token, meningkatkan kebolehpercayaan dan kecekapan kos secara ketara pada skala."
Dalam API, pembangun boleh mengakses keupayaan ini menggunakan alat komputer yang dikemas kini. Sila lihat dokumentasi yang dikemas kini(dibuka dalam tetingkap baru) kami untuk amalan terbaik yang disyorkan.
GPT‑5.4 menggabungkan kekuatan pengekodan GPT‑5.3‑Codex dengan keupayaan kerja pengetahuan terkemuka dan penggunaan komputer, yang paling penting untuk tugas yang berjalan lebih lama apabila model boleh menggunakan alat, mengulangi, dan meneruskan kerja dengan lebih jauh dengan kurang campur tangan manual. Ia menyamai atau mengatasi GPT‑5.3‑Codex pada SWE-Bench Pro sambil mempunyai kependaman yang lebih rendah merentas usaha penaakulan.
Kami menganggarkan kependaman dengan melihat tingkah laku pengeluaran model kami dan mensimulasikannya secara luar talian. Anggaran kependaman mengambil kira tempoh panggilan alat (masa pelaksanaan kod), token yang disampel dan token input. Kependaman dunia sebenar mungkin berbeza dengan ketara dan bergantung pada banyak faktor yang tidak ditangkap dalam simulasi kami. Usaha penaakulan telah diubah daripada tiada kepada sangat tinggi.
Apabila ditogolkan, /mod pantas dalam Codex memberikan halaju token sehingga 1.5x lebih pantas dengan GPT‑5.4. Ia model yang sama dan kecerdasan yang sama, cuma lebih pantas. Ini bermakna pengguna boleh bergerak melalui tugas pengekodan, lelaran, dan nyahpepijat sambil kekal dalam aliran. Pembangun boleh mengakses GPT‑5.4 pada kelajuan pantas yang sama melalui API dengan menggunakan pemprosesan keutamaan(dibuka dalam tetingkap baru).
Dalam penilaian dan ujian dalaman, kami mendapati bahawa GPT‑5.4 cemerlang dalam tugas frontend yang kompleks, dengan hasil yang ketara lebih estetik dan lebih berfungsi berbanding mana-mana model yang pernah kami lancarkan sebelum ini.
Sebagai demonstrasi bagi keupayaan penggunaan komputer dan pengekodan model yang dipertingkatkan yang berfungsi bersama, kami turut melancarkan kemahiran Codex eksperimen yang dipanggil “Playwright (Interaktif)(dibuka dalam tetingkap baru)”. Ini membolehkan Codex menyahpepijat web dan apl Electron secara visual; ia malah boleh digunakan untuk menguji apl yang sedang dibinanya, semasa ia membinanya.
Permainan simulasi taman tema yang dibuat dengan GPT‑5.4 daripada satu prom yang ditentukan secara ringan, menggunakan Playwright Interactive untuk playtesting pelayar dan penjanaan imej untuk set aset isometrik. Simulasi ini merangkumi penempatan laluan berasaskan jubin, pembinaan permainan dan pemandangan, pencarian laluan tetamu, beratur, dan kitaran permainan, manakala metrik taman seperti wang, bilangan tetamu, kebahagiaan, kebersihan, dan penarafan naik atau turun berdasarkan sejauh mana susun atur itu berfungsi dan bagaimana tetamu bertindak balas terhadapnya. Playwright digunakan untuk mengautomasikan playtest pelayar dengan membina dan mengembangkan taman, meletakkan dan mengalih keluar laluan dan tarikan, memeriksa navigasi kamera, serta mengesahkan bahawa tetamu, barisan, keadaan tunggangan, dan metrik UI dikemas kini dengan betul merentasi beberapa pusingan permainan.
Prom: Gunakan $playwright-interactive dan $imagegen. Cipta permainan simulasi taman tema isometrik interaktif yang boleh saya bina dan navigasi dalam pelayar. Gunakan imagegen untuk menetapkan visi visual keseluruhan dan menjana aset permainan, termasuk permainan, laluan, rupa bumi, pokok, air, gerai makanan, hiasan, bangunan, ikon, dan ilustrasi UI. Dunia sepatutnya terasa padu, kemas, dan kaya secara visual, dengan pengarahan seni premium yang berfungsi dengan baik dari perspektif isometrik. Benarkan saya meletakkan dan mengalih keluar laluan, menambah tarikan, meletakkan pemandangan, dan bergerak di sekitar taman dengan lancar sambil memantau aktiviti tetamu, status permainan, dan pertumbuhan taman. Sertakan pergerakan tetamu yang meyakinkan, sistem pengurusan taman yang ringkas seperti wang, kebersihan, beratur, dan kebahagiaan, dan jadikan pengalaman terasa ceria, jelas, dan lengkap dan bukannya seperti prototaip kasar. Utamakan daya tarikan, kebolehbacaan, dan rasa permainan yang kuat berbanding realisme.
Semasa ujian main, pastikan untuk membina dan mengembangkan taman melalui beberapa pusingan permainan, sahkan bahawa penempatan dan navigasi berfungsi dengan lancar, pastikan tetamu bertindak balas terhadap susun atur taman dan tarikan, dan pastikan visual, Antara muka pengguna, dan interaksi terasa stabil dan padu.
“GPT-5.4 pada masa ini merupakan peneraju dalam penanda aras dalaman kami. Jurutera kami mendapati ia lebih semula jadi dan tegas daripada model sebelumnya. Ia menyelesaikan masalah yang samar-samar tanpa meragui dirinya sendiri, dan ia proaktif dalam menyelarikan kerja secara selari untuk memastikan semuanya terus bergerak.”
Dengan GPT‑5.4, kami telah mempertingkatkan dengan ketara cara model berfungsi dengan alat luaran. Ejen kini boleh beroperasi merentasi ekosistem alatan yang lebih besar, memilih alatan yang betul dengan lebih boleh dipercayai, dan melengkapkan aliran kerja berbilang langkah dengan kos dan kependaman yang lebih rendah.
Dalam API, GPT‑5.4 memperkenalkan carian alat(dibuka dalam tetingkap baru), yang membolehkan model berfungsi dengan cekap apabila diberikan banyak alat.
Sebelum ini, apabila sesebuah model diberikan alat, semua definisi alat disertakan dalam prom dari awal. Untuk sistem dengan banyak alat, ini boleh menambah beribu-ribu—atau malah puluhan ribu—token pada setiap permintaan, meningkatkan kos, memperlahankan respons, dan memenuhi konteks dengan maklumat yang mungkin tidak akan digunakan oleh model.
Dengan alat carian, GPT‑5.4 sebaliknya menerima senarai ringkas alat yang tersedia bersama keupayaan carian alat. Apabila model perlu menggunakan alat, ia boleh mencari definisi alat tersebut dan menambahkannya pada perbualan pada ketika itu.
Pendekatan ini mengurangkan dengan ketara bilangan token yang diperlukan untuk aliran kerja yang banyak menggunakan alat dan mengekalkan cache, menjadikan permintaan lebih pantas dan lebih murah. Ia juga membolehkan ejen bekerja dengan boleh dipercayai dalam ekosistem alat yang jauh lebih besar. Bagi pelayan MCP yang mungkin mengandungi puluhan ribu token bagi definisi alat, peningkatan kecekapan boleh menjadi ketara.
Untuk menunjukkan peningkatan kecekapan, kami menilai 250 tugas daripada penanda aras MCP Atlas(dibuka dalam tetingkap baru) Scale dengan semua 36 pelayan MCP yang didayakan dalam dua mod: (1) mendedahkan setiap fungsi MCP secara langsung dalam konteks model, dan (2) meletakkan semua pelayan MCP di sebalik carian alat. Konfigurasi carian alat mengurangkan jumlah penggunaan token sebanyak 47% sambil mencapai ketepatan yang sama.
Kiraan token contoh diperoleh daripada purata 250 tugas dalam set data awam MCP-Atlas.
GPT‑5.4 juga memperbaiki panggilan alat, menjadikannya lebih tepat dan cekap apabila memutuskan bila dan bagaimana untuk menggunakan alat semasa penaakulan, terutamanya dalam API. Berbanding GPT‑5.2, ia mencapai ketepatan yang lebih tinggi dalam bilangan pusingan yang lebih sedikit pada Toolathlon, satu penanda aras yang menguji sejauh mana ejen AI boleh menggunakan alat dan API dunia sebenar untuk menyelesaikan tugas berbilang langkah. Sebagai contoh, seorang ejen perlu membaca e-mel, mengekstrak lampiran tugasan, memuat naiknya, menilainya dan merekodkan keputusan dalam hamparan.
Hasil alat ialah apabila pembantu menunggu untuk menanti respons alat. Jika 3 alat dipanggil secara selari, diikuti oleh 3 lagi alat dipanggil secara selari, bilangan yield ialah 2. Yield alat ialah proksi kependaman yang lebih baik daripada panggilan alat kerana ia mencerminkan manfaat penyejajaran.
Untuk kes penggunaan yang sensitif kepada kependaman di mana usaha penaakulan tidak diperlukan, GPT‑5.4 meningkatkan lagi berbanding pendahulunya.
Dalam τ2-bench(dibuka dalam tetingkap baru), model mesti menggunakan alat untuk menyelesaikan tugas perkhidmatan pelanggan, di mana mungkin terdapat pengguna simulasi yang boleh berkomunikasi dan mengambil tindakan terhadap keadaan dunia. Usaha penaakulan ditetapkan kepada Tiada.
GPT‑5.4 lebih baik dalam carian web agentik. Pada BrowseComp, satu ukuran sejauh mana ejen AI boleh melayari web secara berterusan untuk mencari maklumat yang sukar ditemui, GPT‑5.4 melonjak 17%abs mengatasi GPT‑5.2, dan GPT‑5.4 Pro menetapkan tahap terkini sebanyak 89.3%.
Dalam amalan, ini bermaksud GPT‑5.4 Thinking lebih kuat dalam menjawab soalan yang memerlukan mengumpulkan maklumat daripada banyak sumber di web. Ia boleh mencari dengan lebih berterusan merentas beberapa pusingan untuk mengenal pasti sumber yang paling berkaitan, khususnya untuk soalan “needle-in-a-haystack” (soalan yang sukar dicari jawapan), dan mensintesiskannya menjadi jawapan yang jelas dan bernas.
Dalam BrowseComp, kami menggunakan senarai sekatan carian yang mengecualikan laman web yang mengandungi jawapan penanda aras daripada penilaian untuk mencegah pencemaran dan memastikan ukuran prestasi yang adil. GPT‑5.4 diukur pada tarikh yang lebih lewat berbanding GPT‑5.2 supaya skor mencerminkan perubahan dalam model, sistem carian kami, dan keadaan Internet. GPT‑5.4 telah diuji dengan senarai sekatan yang lebih panjang dan dikemas kini. Model menggunakan alat carian ChatGPT, yang mungkin mempunyai perbezaan kecil berbanding carian API.
“GPT-5.4 xhigh ialah tahap terkini baharu untuk penggunaan alat berbilang langkah. Zapier menjalankan beberapa penanda aras penggunaan alat yang paling ketat dalam industri, menguji model merentasi ratusan aliran kerja dunia sebenar yang canggih. GPT-5.4 menyiapkan tugas apabila model-model sebelumnya berputus asa - model paling gigih setakat ini.”
Sama seperti bagaimana Codex menggariskan pendekatannya apabila ia mula bekerja, GPT‑5.4 Thinking dalam ChatGPT kini akan menggariskan kerjanya dengan mukadimah untuk pertanyaan yang lebih panjang dan lebih kompleks. Anda juga boleh menambah arahan atau melaraskan arahnya di tengah-tengah respons. Ini memudahkan untuk membimbing model ke arah hasil tepat yang anda inginkan tanpa perlu bermula semula atau memerlukan pelbagai giliran tambahan. Ciri ini kini tersedia di chatgpt.com(dibuka dalam tetingkap baru) dan apl Android, akan tiba tidak lama lagi pada apl iOS.
Model juga boleh berfikir lebih lama tentang tugas yang sukar sambil mengekalkan kesedaran yang lebih kuat terhadap langkah-langkah terdahulu dalam perbualan. Ini membolehkannya mengendalikan aliran kerja yang lebih panjang dan prom yang lebih kompleks sambil memastikan jawapan kekal koheren dan relevan sepanjang masa.
Video ini telah dipercepatkan untuk tujuan ilustrasi.
Sejak beberapa bulan kebelakangan ini, kami telah terus menambah baik langkah perlindungan yang kami perkenalkan dengan GPT‑5.3‑Codex sambil menyediakan GPT‑5.4 untuk pelaksanaan. Sama seperti GPT‑5.3‑Codex, kami menganggap GPT‑5.4 sebagai keupayaan siber Tinggi di bawah Rangka Kerja Kesediaan kami, dan kami melaksanakannya dengan perlindungan yang sepadan seperti yang didokumenkan dalam kad sistem(dibuka dalam tetingkap baru). Ini termasuk timbunan keselamatan siber yang diperluaskan, sistem pemantauan, kawalan akses dipercayai, dan penyekatan tak segerak untuk permintaan berisiko lebih tinggi bagi pelanggan pada permukaan pengekalan data sifar (ZDR), di samping pelaburan berterusan dalam ekosistem keselamatan yang lebih luas.
Oleh kerana keupayaan keselamatan siber secara semula jadi bersifat penggunaan dwi, kami mengekalkan pendekatan berjaga-jaga terhadap pelaksanaan sambil terus menyesuaikan dasar dan pengelas kami. Bagi pelanggan tertentu pada permukaan ZDR, penyekatan peringkat permintaan kekal sebagai sebahagian daripada timbunan mitigasi risiko siber kami; kerana pengelas masih dipertingkatkan, beberapa positif palsu mungkin berlaku semasa kami terus memperhalusi perlindungan ini. Kemas kini ini bertujuan untuk memperbaiki cara langkah-langkah perlindungan berfungsi dalam amalan, termasuk mengurangkan penolakan yang tidak perlu dan respons yang terlalu banyak peringatan, sambil mengekalkan perlindungan yang kukuh terhadap penyalahgunaan.
Kami telah meneruskan penyelidikan keselamatan kami tentang kebolehan untuk memantau Rentetan Fikiran (CoT) untuk lebih memahami bagaimana model menaakul dan membantu mengesan potensi salah laku. Sebagai sebahagian daripada kerja ini, kami memperkenalkan satu penilaian sumber terbuka baharu, Kebolehkawalan CoT, mengukur sama ada model boleh mengelirukan penaakulan mereka dengan sengaja untuk mengelak pemantauan. Kami mendapati bahawa keupayaan GPT‑5.4 Thinking untuk mengawal CoTnya adalah rendah, yang merupakan sifat positif untuk keselamatan, menunjukkan bahawa model itu tidak mempunyai keupayaan untuk menyembunyikan penaakulannya dan bahawa pemantauan CoT kekal sebagai alat keselamatan yang berkesan.
GPT‑5.4 sedang dilancarkan secara berperingkat hari ini di seluruh ChatGPT dan Codex. Dalam API, GPT‑5.4 kini tersedia sebagai gpt-5.4. GPT‑5.4 Pro juga boleh didapati dalam API sebagai gpt-5.4-pro untuk pembangun yang memerlukan prestasi maksimum pada tugas yang paling kompleks.
Dalam ChatGPT, GPT‑5.4 Thinking tersedia mulai hari ini untuk pengguna ChatGPT Plus, Team, dan Pro, menggantikan GPT‑5.2 Thinking. GPT‑5.2 Thinking akan tetap tersedia selama tiga bulan kepada pengguna berbayar dalam pemilih model di bawah bahagian Model Legacy, selepas itu ia akan ditamatkan pada June 5, 2026. Mereka yang menggunakan pelan Enterprise dan Edu boleh mendayakan akses awal melalui tetapan pentadbir. GPT‑5.4 Pro tersedia untuk pelan Pro dan Enterprise. Tetingkap konteks(dibuka dalam tetingkap baru) dalam ChatGPT untuk GPT‑5.4 Thinking kekal tidak berubah daripada GPT‑5.2 Thinking.
GPT‑5.4 ialah model penaakulan arus perdana pertama kami yang menggabungkan keupayaan pengekodan perbatasan GPT‑5.3‑Codex dan sedang dilancarkan merentas ChatGPT, API, dan Codex. Kami memanggilnya GPT‑5.4 untuk mencerminkan lonjakan itu, dan untuk memudahkan pilihan antara model apabila menggunakan Codex. Dari semasa ke semasa, anda boleh menjangkakan model Instant kami dan model Thinking kami akan berkembang pada kelajuan yang berbeza.
GPT‑5.4 dalam Codex termasuk sokongan eksperimen untuk tetingkap konteks 1M. Pembangun boleh mencuba ini dengan mengkonfigurasi model_context_window dan model_auto_compact_token_limit. Permintaan yang melebihi tetingkap konteks standard 272K akan dikira terhadap had penggunaan pada kadar 2x daripada kadar biasa.
Dalam API, GPT‑5.4 dikenakan harga lebih tinggi untuk setiap token berbanding GPT‑5.2 untuk mencerminkan keupayaannya yang dipertingkatkan, manakala kecekapan tokennya yang lebih tinggi membantu mengurangkan jumlah keseluruhan token yang diperlukan untuk banyak tugasan. Harga Batch dan Flex tersedia pada separuh kadar API standard, manakala pemprosesan Keutamaan tersedia pada dua kali ganda kadar API standard.
Model API | Harga input | Harga input yang disimpan dalam cache | Harga output |
gpt-5.2 | $1.75 / M token | $0.175 / M token | $14 / J token |
gpt-5.4 | $2.50 / M token | $0.25 / M token | $15 / M token |
gpt-5.2-pro | $21/M token | - | $168/M token |
gpt-5.4-pro | $30 / M token | - | $180 / M token |
Profesional
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
GDPval | 83.0% | 82.0% | 70.9% | 70.9% | 74.1% |
FinanceAgent v1.1 | 56.0% | 61.5% | 54.0% | 59.5% | — |
Tugas Pemodelan Perbankan Pelaburan (Dalaman) | 87.3% | 83.6% | 79.3% | 68.4% | 71.7% |
OfficeQA | 68.1% | — | 65.1% | 63.1% | — |
Pengekodan
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
SWE-Bench Pro (Awam) | 57.7% | — | 56.8% | 55.6% | — |
Terminal-Bench 2.0 | 75.1% | — | 77.3% | 62.2% | — |
Penggunaan komputer dan penglihatan
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
OSWorld-Disahkan | 75.0% | — | 74.0% | 47.3% | — |
MMMU Pro (tiada alat) | 81.2% | — | — | 79.5% | — |
MMMU Pro (dengan alat) | 82.1% | — | — | 80.4% | — |
Penggunaan alat
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
BrowseComp | 82.7% | 89.3% | 77.3% | 65.8% | 77.9% |
MCP Atlas | 67.2% | — | — | 60.6% | — |
Toolathlon | 54.6% | — | 51.9% | 45.7% | — |
Tau2-bench Telecom | 98.9% | — | — | 98.7% | — |
Akademik
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
Penyelidikan Sains Perbatasan | 33.0% | 36.7% | — | 25.2% | — |
FrontierMath Peringkat 1–3 | 47.6% | 50.0% | — | 40.7% | — |
FrontierMath Peringkat 4 | 27.1% | 38.0% | — | 18.8% | 31.3% |
GPQA Diamond | 92.8% | 94.4% | 92.6% | 92.4% | 93.2% |
Peperiksaan Terakhir Manusia (tiada alat) | 39.8% | 42.7% | — | 34.5% | 36.6% |
Peperiksaan Terakhir Manusia (dengan alat) | 52.1% | 58.7% | — | 45.5% | 50.0% |
Konteks panjang
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
Graphwalks BFS 0K–128K | 93.0% | — | — | 94.0% | — |
Graphwalks BFS 256K–1M | 21.4% | — | — | — | — |
Induk Graphwalks 0–128K (ketepatan) | 89.8% | — | — | 89.0% | — |
Graphwalks induk 256K–1M (ketepatan) | 32.4% | — | — | — | — |
OpenAI MRCR v2 8 jarum 4K–8K | 97.3% | — | — | 98.2% | — |
OpenAI MRCR v2 8 jarum 8K–16K | 91.4% | — | — | 89.3% | — |
OpenAI MRCR v2 8 jarum 16K–32K | 97.2% | — | — | 95.3% | — |
OpenAI MRCR v2 8-jarum 32K–64K | 90.5% | — | — | 92.0% | — |
OpenAI MRCR v2 8 jarum 64K–128K | 86.0% | — | — | 85.6% | — |
OpenAI MRCR v2 8-jarum 128K–256K | 79.3% | — | — | 77.0% | — |
OpenAI MRCR v2 8-jarum 256K–512K | 57.5% | — | — | — | — |
OpenAI MRCR v2 8-jarum 512K–1M | 36.6% | — | — | — | — |
Penaakulan abstrak
Penilaian | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
ARC-AGI-1 (Disahkan) | 93.7% | 94.5% | — | 86.2% | 90.5% |
ARC-AGI-2 (Disahkan) | 73.3% | 83.3% | — | 52.9% | 54.2% (tinggi) |
Evals tanpa penaakulan
Penilaian | GPT‑5.4 | GPT‑5.2 | GPT‑4.1 |
OmniDocBench (jarak suntingan dinormalisasi) | 0.109 | 0.140 | — |
Tau2-bench Telecom | 64.3% | 57.2% | 43.6% |
Evals dijalankan dengan usaha penaakulan ditetapkan kepada xhigh, kecuali jika dinyatakan sebaliknya. Penanda aras telah dijalankan dalam persekitaran penyelidikan, yang mungkin memberikan output yang sedikit berbeza daripada ChatGPT pengeluaran dalam sesetengah kes.
Penulis
Nota kaki
1 Prestasi manusia yang dilaporkan dalam OSWorld: Menanda Aras Ejen Multimodal untuk Tugas Terbuka dalam Persekitaran Komputer Sebenar(dibuka dalam tetingkap baru).
