Vi presenterar GPT‑5.4

Idag lanserar vi GPT‑5.4 i ChatGPT (som GPT‑5.4 Thinking), API:n och Codex. Det är vår mest kapabla och effektiva modell för professionellt arbete. Vi lanserar också GPT‑5.4 Pro i ChatGPT och API:et, för personer som vill ha maximal prestanda för komplexa uppgifter.

GPT‑5.4 samlar det bästa av våra senaste framsteg inom resonemang, kodning och agentiska arbetsflöden i en enda banbrytande modell. Den innehåller branschledande kodningsfunktioner från GPT‑5.3‑Codex⁠ samtidigt som den förbättrar hur modellen fungerar i olika verktyg, programvarumiljöer och professionella uppgifter med kalkylblad, presentationer och dokument. Resultatet är en modell som får komplext arbete gjort på ett korrekt, effektivt och ändamålsenligt sätt – och ger dig det du bad om med mindre krångel.

I ChatGPT kan GPT‑5.4 Thinking nu ge en förhandsplan för sitt tänkande, så att du kan justera den mitt i responsen, medan den arbetar. På så sätt får du ett slutresultat som är mer i linje med vad du behöver, utan att behöva köra fler omgångar. GPT‑5.4 Thinking förbättrar också djupgående webbforskning, särskilt för mycket specifika frågor, samtidigt som den bättre bibehåller sammanhanget för frågor som kräver längre eftertanke. Tillsammans medför dessa förbättringar svar av högre kvalitet som kommer snabbare och förblir relevanta för den aktuella uppgiften.

I Codex och API:t är GPT‑5.4 den första modellen för allmänna ändamål som vi har släppt med inbyggda, toppmoderna datoranvändningsfunktioner, vilket gör det möjligt för agenter att använda datorer och genomföra komplexa arbetsflöden i olika applikationer. Den stöder upp till 1 miljon token i kontext, vilket gör att agenter kan planera, utföra och verifiera uppgifter över långa tidshorisonter. GPT‑5.4 förbättrar också hur modeller fungerar med verktygssökning i stora ekosystem av verktyg och anslutningar, vilket hjälper agenter att hitta och använda rätt verktyg mer effektivt utan att göra avkall på intelligensen. Slutligen är GPT‑5.4 vår mest token-effektiva resonemangsmodell hittills och använder betydligt färre token för att lösa problem jämfört med GPT‑5.2 – vilket innebär minskad tokenanvändning och högre hastigheter.

Tillsammans med framsteg inom allmän resonemang, kodning och professionellt kunskapsarbete möjliggör GPT‑5.4 mer pålitliga agenter, snabbare arbetsflöden för utvecklare och utdata av högre kvalitet i ChatGPT, API:et och Codex.

GPT‑5.4 har byggts vidare på GPT‑5.2:s allmänna resonemang och ger ännu mer konsekventa och snygga resultat på verkliga uppgifter som är viktiga för yrkesverksamma.

I GDPval⁠, ett utvärderingssystem som testar agenters förmåga att producera välspecificerat kunskapsarbete inom 44 yrken, uppnår GPT‑5.4 en ny standard och matchar eller överträffar branschproffs i 83,0 % av jämförelserna, jämfört med 71,0 % för GPT‑5.2.

Vi lade särskilt fokus på att förbättra GPT‑5.4:s förmåga att skapa och redigera kalkylark, presentationer och dokument. Enligt vårt interna riktmärke för kalkylbladsmodellering som en mindre erfaren bankanalytiker kan tänkas göra uppnår GPT‑5.4 ett genomsnittligt resultat på 87,5 %, jämfört med 68,4 % för GPT‑5.2. För en uppsättning utvärderingsfrågor föredrog mänskliga bedömare presentationer från GPT‑5.4 i 68,0 % av fallen framför dem från GPT‑5.2 tack vare snyggare layouter, större visuella variationer och en mer effektiv användning av bildgenerering.

Du kan prova dessa funktioner i ChatGPT med GPT‑5.4 Thinking eller Pro. Om du är en Enterprise-kund rekommenderar vi att du använder våra nyligen lanserade ChatGPT‑insticksprogram för Excel och Google Sheets⁠(öppnas i ett nytt fönster), som också lanserades idag. Vi har också uppdaterat våra kalkylblads-⁠(öppnas i ett nytt fönster) och presentationsfunktioner⁠(öppnas i ett nytt fönster) som är tillgängliga i Codex och API:et.

För att förbättra GPT‑5.4 för verkliga jobb, arbetade vi vidare på våra framsteg med att minska hallucinationer och fel. På en uppsättning avidentifierade prompter där användare flaggade faktafel, är det 33 % mindre sannolikt att GPT‑5.4:s individuella påståenden är falska och 18 % mindre sannolikt att dess fullständiga svar innehåller fel, jämfört med GPT‑5.2.

GPT‑5.4 är vår första modell för allmänna ändamål med inbyggd datoranvändningsförmåga och innebär ett stort steg framåt för både utvecklare och agenter. Det är den bästa modellen som för närvarande finns tillgänglig för utvecklare som bygger agenter som slutför verkliga uppgifter på webbplatser och i mjukvarusystem.

Vi har utformat GPT‑5.4 för att vara effektiv i en mängd olika datorarbetsbelastningar. Den utmärker sig på att skriva kod för att styra datorer via bibliotek som Playwright, samt att skapa mus- och tangentbordskommandon som svar på skärmdumpar. Dess beteende är styrbart via utvecklarmeddelanden, vilket innebär att utvecklare kan anpassa beteendet för att passa särskilda användningsfall. Utvecklare kan till och med konfigurera modellens säkerhetsbeteende genom att ange anpassade bekräftelsepolicyer, så att det passar olika nivåer av risktolerans.

Modellens prestanda och flexibilitet framgår i riktmärkestester som testar datoranvändning i olika miljöer. På OSWorld-Verified, som mäter en modells förmåga att navigera i en skrivbordsmiljö via skärmbilder och tangentbords-/musåtgärder, uppnår GPT‑5.4 en framgångsfrekvens på 75,0 %, vilket vida överstiger GPT‑5.2:s 47,3 % och överträffar mänsklig prestanda på 72,4 %.¹

På WebArena-Verified, som testar webbläsaranvändning, uppnår GPT‑5.4 en ledande framgångsfrekvens på 67,3 % när den använder både DOM- och skärmbildsdriven interaktion, jämfört med GPT‑5.2:s 65,4 %. På Online-Mind2Web, som också testar webbläsaranvändning, uppnår GPT‑5.4 en framgångsfrekvens på 92,8 % med enbart skärmbildsbaserade observationer, vilket är en förbättring jämfört med ChatGPT Atlas Agent Mode, som uppnår en framgångsfrekvens på 70,9 %.

GPT‑5.4:s förbättrade datoranvändning bygger på modellens bättre visuella perception. På MMMU-Pro, ett test av en modells visuella förståelse och resonemang, uppnår GPT‑5.4 en framgångsfrekvens på 81,2 % utan verktygsanvändning, en förbättring jämfört med GPT‑5.2:s 79,5 %. Förbättrad visuell perception leder även till bättre förmåga att parsa dokument. På OmniDocBench uppnår GPT‑5.4 utan resonemangsinsats genomsnittligt antal fel (mätt med normaliserat redigeringsavstånd mellan modellens förutsägelse och det faktiska svaret) på 0,109, en förbättring jämfört med GPT‑5.2:s 0,140.

Vi förbättrar också den visuella förståelsen för täta bilder med hög upplösning där fullständig återgivning är viktig. Från och med GPT‑5.4 introducerar vi en ursprunglig indatadetaljnivå⁠(öppnas i ett nytt fönster) för bilder som stöder fullständig återgivning på upp till 10,24 miljoner pixlar eller en maximal dimension på 6000 pixlar, beroende på vilket som är lägst. Den höga indatadetaljnivån för bilder stöder nu upp till 2,56 miljoner pixlar eller en maximal dimension på 2048 pixlar. I tidiga tester med API-användare såg vi stora förbättringar i lokaliseringsförmåga, bildförståelse och klickriktighet när vi använde ursprunglig eller hög detaljnivå.

I API:et kan utvecklare få åtkomst till dessa funktioner med hjälp av det uppdaterade datorverktyget. Se vår uppdaterade dokumentation⁠(öppnas i ett nytt fönster) för rekommenderade bästa metoder.

GPT‑5.4 kombinerar kodningsstyrkorna hos GPT‑5.3‑Codex med ledande förmågor inom kunskapsarbete och datoranvändning, vilket är viktigast vid långvariga uppgifter där modellen kan använda verktyg, iterera och driva arbetet längre med färre manuella insatser. Den matchar eller överträffar GPT‑5.3‑Codex på SWE-Bench Pro samtidigt som den har lägre latens över olika resonemangsinsatser.

När /fast mode i Codex är aktiverat ger det upp till 1,5 gånger snabbare token-hastighet med GPT‑5.4. Det är samma modell och samma intelligens, bara snabbare. Det innebär att användare ta itu med kodningsuppgifter, iteration och felsökning utan att minska arbetstakten. Utvecklare kan lika snabbt få åtkomst till GPT‑5.4 via API:et genom att använda prioriterad bearbetning⁠(öppnas i ett nytt fönster).

Vid utvärdering och interna tester fann vi att GPT‑5.4 utmärker sig i komplexa frontend-uppgifter, med märkbart snyggare och mer funktionella resultat än några modeller vi har lanserat tidigare.

Som en demonstration av modellens förbättrade funktioner för datoranvändning och kodning som arbetar i tandem släpper vi också en experimentell Codex-färdighet som heter “Playwright (Interactive)⁠(öppnas i ett nytt fönster)”. Detta gör att Codex kan visuellt felsöka webb- och Electron-appar, och kan till och med användas för att testa en app som det bygger, medan det bygger den.

Med GPT‑5.4, vi har avsevärt förbättrat hur modeller fungerar med externa verktyg. Agenter kan nu arbeta i större verktygsekosystem, välja rätt verktyg mer tillförlitligt och slutföra arbetsflöden i flera steg med lägre kostnad och latens.

GPT‑5.4 introducerar verktygssökning⁠(öppnas i ett nytt fönster) i API:t, vilket gör att modeller kan arbeta effektivt när de får många verktyg.

Tidigare, när en modell fick verktyg, inkluderades alla verktygsdefinitioner i prompten direkt. För system med många verktyg kan detta lägga till tusentals – eller till och med tiotusentals – token till varje begäran, vilket ökar kostnaden, saktar ned svaren och fyller kontexten med information som modellen kanske aldrig använder.

Med verktygssökning får GPT‑5.4 istället en lättförståelig lista över tillgängliga verktyg tillsammans med en verktygssökningsfunktion. När modellen behöver använda ett verktyg kan den slå upp verktygets definition och lägga till det i konversationen i det ögonblicket.

Den här metoden minskar dramatiskt antalet token som krävs för verktygstunga arbetsflöden och bevarar cachen, vilket gör förfrågningar snabbare och billigare. Det gör det också möjligt för agenter att på ett tillförlitligt sätt arbeta med mycket större verktygsekosystem. För MCP-servrar som kan innehålla tiotusentals token av verktygsdefinitioner kan effektivitetsvinsterna vara betydande.

För att demonstrera effektivitetsvinsterna utvärderade vi 250 uppgifter med Scales MCP Atlas⁠(öppnas i ett nytt fönster)-benchmark med alla 36 MCP-servrar aktiverade i två lägen: (1) exponera varje MCP-funktion direkt i modellkontexten, och (2) placera alla MCP-servrar bakom verktygssökning. Konfigurationen för verktygssökning minskade den totala token-användningen med 47 % samtidigt som den uppnådde samma riktighet.

GPT‑5.4 förbättrar också verktygsanrop, och gör det mer precist och effektivt när det avgör när och hur verktyg ska användas vid resonemang, särskilt i API:et.  Jämfört med GPT‑5.2 uppnår den högre riktighet i färre omgångar i Toolathlon, ett riktmärke som testar hur väl AI-agenter kan använda verkliga verktyg och API:er för att slutföra flerstegsuppgifter. Till exempel behöver en agent läsa e-postmeddelanden, extrahera bilagor till uppgifter, ladda upp dem, betygsätta dem och registrera resultaten i ett kalkylblad.

För latenskänsliga användningsfall där ingen resonemangsinsats föredras, är GPT‑5.4 ännu bättre jämfört med sina föregångare.

GPT‑5.4 är bättre på agentbaserad webbsökning. På BrowseComp, ett mått på hur väl AI-agenter kan surfa på webben för att hitta svåråtkomlig information, hoppar GPT‑5.4 17 %_abs över GPT‑5.2, och GPT‑5.4 Pro sätter en ny standard på 89,3 %.

I praktiken betyder detta att GPT‑5.4 Thinking är bättre på att besvara frågor som kräver att man sammanställer information från många källor på webben. Den kan mer ihållande söka i flera omgångar för att identifiera de mest relevanta källorna, särskilt för frågor för vilka det är svårt att hitta ett svar, och syntetisera dem till ett tydligt och välgrundat svar.

I likhet med hur Codex beskriver sin metod när den börjar arbeta, kommer GPT‑5.4 Thinking i ChatGPT nu att beskriva sitt arbete med en inledning för längre och mer komplexa frågor. Du kan också lägga till instruktioner eller justera dess riktning mitt i svaret. Detta gör det enklare att vägleda modellen mot exakt det resultat du vill ha utan att behöva börja om eller köra flera ytterligare omgångar. Den här funktionen är nu tillgänglig på chatgpt.com⁠(öppnas i ett nytt fönster) och i Android-appen, och kommer snart till iOS-appen.

Modellen kan också tänka längre på svåra uppgifter samtidigt som den bibehåller en starkare medvetenhet om tidigare steg i konversationen. Detta gör att den kan hantera längre arbetsflöden och mer komplexa prompter samtidigt som svaren förblir sammanhängande och relevanta.

Under de senaste månaderna har vi fortsatt att förbättra de skyddsåtgärder vi introducerade med GPT‑5.3‑Codex samtidigt som vi förbereder GPT‑5.4 för driftsättning. I likhet med GPT‑5.3‑Codex behandlar vi GPT‑5.4 som hög cyberkapacitet enligt vårt Preparedness Framework, och vi driftsätter den med motsvarande skyddsåtgärder enligt dokumentationen i systemkort⁠. Dessa inkluderar en utökad cybersäkerhetsstack, inklusive övervakningssystem, betrodda åtkomstkontroller och asynkron blockering för förfrågningar med högre risk för kunder på ytor med Noll datalagring (ZDR), tillsammans med fortsatta investeringar i det bredare säkerhetsekosystemet.

Eftersom cybersäkerhetsfunktioner i sig har dubbla användningsområden, vidtar vi försiktighetsåtgärder vid driftsättning samtidigt som vi fortsätter att justera våra policyer och klassificerare. För vissa kunder på ZDR-ytor är blockering på begärandenivå fortfarande en del av vår åtgärdsstack för cyberrisker; eftersom klassificerare fortfarande förbättras kan vissa falska positiva resultat förekomma när vi fortsätter att finjustera dessa skyddsåtgärder. Dessa uppdateringar syftar till att förbättra hur skyddsåtgärderna fungerar i praktiken, inklusive att minska onödiga avslag och alltför reserverade svar, samtidigt som ett starkt skydd mot missbruk bibehålls.

Vi har fortsatt vår säkerhetsforskning om övervakning av tankekedjan (CoT) för att bättre förstå hur modeller resonerar och hjälpa till att upptäcka potentiellt felaktigt beteende. Som en del av detta arbete introducerar vi en ny utvärdering med öppen källkod, CoT controllability⁠,  som mäter om modeller medvetet kan förvränga sitt resonemang för att undvika övervakning. Vi konstaterar att GPT‑5.4 Thinkings förmåga att kontrollera sin tankekedja är låg, vilket är en positiv egenskap för säkerheten, och tyder på att Modellen saknar förmågan att dölja sitt Resonemang samt att CoT-övervakning fortfarande är ett effektivt säkerhetsverktyg.

GPT‑5.4 börjar rullas ut gradvis idag i ChatGPT och Codex. I API:et är GPT‑5.4 nu tillgängligt som gpt-5.4. GPT‑5.4 Pro är också tillgänglig i API:et som gpt-5.4-pro för utvecklare som behöver maximal prestanda för de mest komplexa uppgifterna.

I ChatGPT är GPT‑5.4 Thinking tillgängligt från och med idag för ChatGPT Plus-, Team- och Pro-användare och ersätter GPT‑5.2 Thinking. GPT‑5.2 Thinking kommer att förbli tillgängligt i tre månader för betalande användare i modellväljaren under avsnittet Äldre modeller och avvecklas därefter den 5 juni 2026. De som har Enterprise- och Edu-abonnemang kan aktivera förtidsåtkomst via administratörsinställningarna. GPT‑5.4 Pro är tillgänglig för Pro- och Enterprise-abonnemang. Kontextfönster⁠(öppnas i ett nytt fönster) i ChatGPT för GPT‑5.4 Thinking förblir oförändrat från GPT‑5.2 Thinking.

GPT‑5.4 är vår första huvudsakliga resonemangsmodell som införlivar GPT‑5.3‑codex banbrytande kodningsfunktioner och det rullas ut i ChatGPT, API och Codex. Vi kallar det GPT‑5.4 för att återspegla det hoppet och för att förenkla valet mellan modeller när man använder Codex. Med tiden kan du förvänta dig att våra Instant-modeller och Thinking-modeller utvecklas i olika takt.

GPT‑5.4 i Codex inkluderar experimentellt stöd för 1 miljon kontextfönster. Utvecklare kan testa detta genom att konfigurera model_context_window och model_auto_compact_token_limit. Förfrågningar som överskrider det standardmässiga kontextfönstret på 272 000 räknas mot användningsgränserna med två gånger den normala frekvensen.

I API:t är priset per token för GPT‑5.4 högre än för GPT‑5.2 för att återspegla dess förbättrade kapacitet, medan dess större token-effektivitet bidrar till att minska det totala antalet token som krävs för många uppgifter. Priser för Batch och Flex är tillgängliga till halva standardpriset för API:et, medan prioritetsbearbetning är tillgänglig till dubbla standardpriset för API:et.

Utvärderingar kördes med resonemangsinsatsen inställt på mycket hög, förutom där annat anges. Benchmarktester utfördes i en forskningsmiljö, vilket i vissa fall kan ge något annorlunda resultat jämfört med ChatGPT i produktion.