今天我們在 ChatGPT 中推出 GPT‑5.4（作為 GPT‑5.4Thinking)、API 和 Codex。這是我們最強大且最高效的前沿模型，專為專業工作打造。我們也會在 ChatGPT 和 API 中推出 GPT‑5.4 Pro，提供給希望在複雜任務上獲得最高效能的使用者。
GPT‑5.4 彙集我們近期在推理、程式設計與智慧體工作流程方面的最佳進展，整合為單一前沿模型。此版本結合了業界領先的 GPT‑5.3‑Codex 程式設計能力，同時提升模型在各種工具、軟體環境，以及涉及試算表、簡報與文件的專業任務中的運作表現。該模型能精準又有效率地完成複雜的實際工作，減少需要反覆溝通的狀況，更快交付你所要求的結果。
在 ChatGPT 中，GPT‑5.4 Thinking 現在會先提供思考計畫，讓你在模型生成回應的過程中即時調整方向，無需額外對話來回，就能得到更貼近需求的最終成果。GPT‑5.4 Thinking 也提升了深度網路研究能力，特別是在處理非常具體的查詢時，同時在需要較長推理過程的問題上更能維持脈絡。綜合這些改進，模型能更快產生更高品質的回答，且與目前任務保持切題相關。
在 Codex 和 API 中，GPT‑5.4 是我們推出的第一個通用模型，具備原生、最先進的電腦操作能力，讓智慧體能操作電腦，並跨不同應用程式執行複雜的工作流程。模型最多支援 100 萬 Token 的上下文，讓智慧體能在長時間任務中進行規劃、執行與驗證。GPT‑5.4 也改善模型在龐大工具與連接器生態系中的運作方式。智慧體可透過「工具搜尋」，更有效率地找到並運用合適工具，同時維持模型的智能表現。最後，GPT‑5.4 是我們迄今 Token 使用效率最高的推理模型，與 GPT‑5.2 相比，解決問題時使用的 Token 顯著更少，因此 Token 用量更低，速度也更快。
GPT‑5.4 在通用推理、寫程式與專業知識工作方面的表現全面提升，支援 ChatGPT、API 和 Codex 中的智慧體穩定運作，開發者工作流程更快速，成果品質也更高。
GPT‑5.4 | GPT‑5.3‑Codex | GPT‑5.2 | |
GDPval（勝出或平局） | 83.0% | 70.9% | 70.9% |
SWE-Bench Pro（公開） | 57.7% | 56.8% | 55.6% |
OSWorld-Verified | 75.0% | 74.0%* | 47.3% |
Toolathlon | 54.6% | 51.9% | 46.3% |
BrowseComp | 82.7% | 77.3% | 65.8% |
*先前的報告數據為 64.7%。GPT‑5.3‑Codex 透過新推出的 API 參數，可保留原始圖像解析度，達到 74.0%。
GPT‑5.4 奠基於 GPT‑5.2 的通用推理能力，在專業人士看重的關鍵真實任務中，展現更一致且更成熟的成果。
在 GDPval 基準測試中（該測試評估智慧體在 44 種職業中，產出定義明確知識工作的能力），GPT‑5.4 取得最新業界領先成績：在 83.0% 的比較項目中，表現與業界專業人士相仿或更佳，而 GPT‑5.2 為 71.0%。
在 GDPval 中，模型嘗試進行定義明確的知識工作，當中涵蓋對美國 GDP 貢獻最大的前九大產業中的 44 個職業。這些任務要求交付真正的工作成果，例如銷售簡報、會計試算表、緊急護理值班表、生產流程圖或短片等。GPT‑5.4 的推理強度設定為 xhigh ，而 GPT‑5.2 為 heavy（在 ChatGPT 中可使用的略低等級）。
我們重點提升了 GPT‑5.4 建立與編輯試算表、簡報和文件的能力。在內部基準測試中，我們模擬初級投資銀行分析師可能執行的試算表建模任務，GPT‑5.4 的平均得分為 87.5%，而 GPT‑5.2 為 68.4%。在評估簡報能力的測試題組中，評估人員在 68.0% 的情況下更偏好 GPT‑5.4 生成的簡報，而非 GPT‑5.2，原因包括美感更佳、視覺呈現更多樣，且更有效運用圖像生成。
你可以在 ChatGPT 中選擇 GPT‑5.4 Thinking 或 Pro 來試用這些能力。如果你是 Enterprise 客戶，建議使用我們今天同步推出的「ChatGPT for Excel」和「Google Sheets」外掛程式(在新視窗中開啟)。我們也更新了 Codex 和 API 中提供的試算表(在新視窗中開啟)和簡報相關能力(在新視窗中開啟)。
我們持續降低幻覺與錯誤的發生率，提升 GPT‑5.4 處理真實世界工作時的表現，GPT‑5.4 是我們迄今事實準確性最高的模型：在一組使用者曾標記有事實錯誤的去識別化提示詞中，與 GPT‑5.2 相比，GPT‑5.4 的單一事實陳述錯誤率降低 33%，而整體回應包含任何錯誤的機率則降低 18%。
GPT‑5.4 是我們首款具備原生電腦操作能力的通用模型，在開發與智慧體領域邁出重要一步。如需建構可以跨多個網站與軟體系統完成真實任務的智慧體，GPT‑5.4 正是目前最佳的理想選擇。
我們在設計 GPT‑5.4 時，著重模型在各種電腦操作任務中的表現。例如，GPT‑5.4 擅長撰寫程式碼，透過 Playwright 等程式碼庫操作電腦；也能根據螢幕截圖判斷情境，發出滑鼠與鍵盤指令。開發者可以透過 developer messages 引導模型行為，依不同使用情境調整運作方式。開發者也能根據風險承受度高低，設定合適的自訂確認政策來調整模型的安全機制。
模型的效能與彈性，也能從多項電腦操作相關的基準測試中看出來。在 OSWorld-Verified 中（該測試透過螢幕截圖，以及鍵盤和滑鼠操作來評估模型在桌面環境中的操作能力），GPT‑5.4 取得 75.0% 的成功率，成績為目前最佳，遠高於 GPT‑5.2 的 47.3%，也超越人類的 72.4%1。
在 WebArena-Verified 中（該測試評估瀏覽器操作能力），GPT‑5.4 結合 DOM 與螢幕截圖來進行互動時，成功率達到 67.3%，高於 GPT‑5.2 的 65.4%。在同樣評估瀏覽器使用能力的 Online-Mind2Web 中，GPT‑5.4 僅透過螢幕截圖觀察，就能達到 92.8% 的成功率，優於 ChatGPT Atlas 的智慧體模式，其成功率為 70.9%。
「工具暫停等待」是指暫停自身執行並等待工具回應。舉例來說，如果先並行呼叫 3 個工具，接著再並行呼叫另外 3 個工具，暫停等待次數為 2。與工具呼叫次數相比，工具暫停等待次數體現了並行處理帶來的效益，因此更能反映延遲情況。
GPT‑5.4 電腦操作能力的提升，來自模型整體視覺理解能力的進步。在 MMMU-Pro（評估模型視覺理解與推理能力的測試）中，GPT‑5.4 在不使用工具的情況下達到 81.2% 的成功率，優於 GPT‑5.2 的79.5%。視覺理解能力的提升，也讓模型在解析文件時表現更好。在 OmniDocBench 中，GPT‑5.4 在不使用推理強度的情況下，其平均錯誤（以模型預測與真實值之間的正規化編輯距離衡量）為 0.109，優於 GPT‑5.2 的 0.140。
MMMUPro 以推理強度設為 xhigh 進行。OmniDocBench 以推理強度設為 none 進行，反映低成本、低延遲的效能。
我們也進一步提升模型在需要保留圖像完整細節的情境中，對於密集、高解析度影像的視覺理解能力。自 GPT‑5.4 起，我們新增原始影像輸入細節(在新視窗中開啟)等級，可支援最高 1,024 萬總像素或 6K 像素最大邊長的完整細節辨識（以較低者為準）；高 影像輸入細節等級現在支援最高 256 萬總像素或 2048 像素最大邊長。在與 API 使用者進行的早期測試中，我們觀察到在使用原始或高細節時，本地化能力、圖像理解與點擊準確率都有顯著提升。
在 API 中，開發人員可以使用更新後的 computer 工具存取這些功能。如需最佳做法建議，請參閱我們的最新說明文件(在新視窗中開啟)。
GPT‑5.4 結合 GPT‑5.3‑Codex 的程式碼編寫能力，以及領先的知識工作與電腦操作能力。這些能力在執行時間較長的任務中尤其重要，可讓模型使用工具、反覆迭代，並在較少人工介入的情況下持續推進工作。在 SWE-Bench Pro 中，GPT‑5.4 的表現與 GPT‑5.3‑Codex 相仿或更佳，同時在各種推理工作負載下的整體延遲更低。
我們透過觀察模型在實際運行環境中的表現，並在離線環境進行模擬，藉此估算延遲時間。延遲估算會納入工具呼叫持續時間（程式碼執行時間）、取樣 Token，以及輸入 Token。實際環境中的延遲可能有明顯差異，並取決於許多未納入模擬的因素。推理強度已從 none 提升為 xhigh。
當啟用 Codex 的 /fast 模式時，GPT‑5.4 的 Token 生成速度最多可提升 1.5 倍。此模式下的模型與智慧水準保持不變，只是速度更快，因此使用者可保持專注，程式碼撰寫、迭代與偵錯一氣呵成。開發者也可以使用優先處理(在新視窗中開啟)，透過 API 以同樣的高速存取 GPT‑5.4。
在評估與內部測試中，我們發現 GPT‑5.4 在複雜的前端任務上表現卓越，模型產出的成果無論在美感或功能方面，都明顯優於我們先前推出的任何模型。
為了展示模型在電腦操作與程式碼編寫能力上的提升如何相輔相成，我們也同步推出一項名為「Playwright (Interactive)(在新視窗中開啟)」的實驗性 Codex 技能。此功能可讓 Codex 以視覺化方式偵錯 Web 與 Electron 應用程式；甚至能在建置應用程式的過程中，即時測試正在建置的應用程式。
GPT‑5.4 大幅改進了模型與外部工具的協作方式。智慧體現在可以在更大型的工具生態系中運作，更可靠地選擇合適的工具，並以更低的成本與更低的延遲完成多步驟工作流程。
在 API 中，GPT‑5.4 導入工具搜尋(在新視窗中開啟)，讓模型需使用大量工具時仍能以超高效率運作。
先前，系統提供工具給模型時，必須把所有工具定義預先放進提示詞中。對於擁有許多工具的系統而言，每個要求可能因此增加數千甚至數萬個 Token，不僅拉高成本、拖慢回應速度，還讓上下文中充斥模型可能永遠用不到的多餘資訊。
透過工具搜尋，GPT‑5.4 只需接收一份精簡的可用工具列表，且具備工具搜尋能力。等模型需要使用某個工具時，再查詢該工具的定義，並將其納入對話中即可。
這種方法可大幅減少工具密集型工作流程所需的 Token 數量，並保留快取，加快模型處理要求的速度，且成本更低。這也讓智慧體能夠可靠地在規模更大的工具生態系中運作。對於可能包含數以萬計工具定義 Token 的 MCP 伺服器而言，效率提升應相當可觀。
為了展示效率提升，我們從 Scale 的 MCP Atlas(在新視窗中開啟) 基準測試中選取 250 個任務，在兩種模式下進行評估，並啟用全部 36 個 MCP 伺服器：(1) 直接在模型上下文中公開每個 MCP 函式，以及 (2) 將所有 MCP 伺服器置於工具搜尋機制之後。在維持相同準確度的情況下，工具搜尋設定將總 Token 使用量降低了 47%。
示例 Token 數量來自 MCP-Atlas 公開資料集 250 個任務的平均值。
GPT‑5.4 也改進了工具呼叫，使模型在推理過程中，更能判斷要在什麼時機、以什麼樣的方式使用工具更加準確且更有效率，這樣的改進在 API 中尤為明顯。在 Toolathlon 基準測試中，GPT‑5.4 與 GPT‑5.2 相比，能以更少的輪次達到更高的準確度。該測試用於評估智慧體使用真實世界工具與 API 完成多步驟任務的能力。例如，智慧體可能需要閱讀電子郵件、擷取作業附件、上傳附件、進行批改，並將結果記錄在試算表中。
「工具暫停等待」是指暫停自身執行並等待工具回應。舉例來說，如果先並行呼叫 3 個工具，接著再並行呼叫另外 3 個工具，暫停等待次數為 2。與工具呼叫次數相比，工具暫停等待次數體現了並行處理帶來的效益，因此更能反映延遲情況。
在對延遲敏感、且偏好將推理強度設為 None 的使用案例中，GPT‑5.4 進一步改進了其前代模型。
在τ2-bench(在新視窗中開啟) 中，模型必須使用工具完成一項客服任務，測試環境中可能包含一位模擬使用者，該使用者可溝通並對世界狀態採取行動。推理強度設為 None。
GPT‑5.4 在智慧體網頁搜尋方面表現更佳。在 BrowseComp 中（該指標衡量智慧體持續瀏覽網路並取得難找資訊的能力），GPT‑5.4 相較於 GPT‑5.2 提升了 17% 個百分點，而 GPT‑5.4 Pro 更創下 89.3% 的業界最佳成績。
在實際應用中，這表示 GPT‑5.4 Thinking 更擅長回答需要整合網路上多個資訊來源的問題。模型可以持續進行多輪搜尋，鎖定最相關的資訊來源，並將眾多來源加以整合，最後給出邏輯清晰、論證完整的答案，特別適合用來處理形同「大海撈針」的問題。
在 BrowseComp 中，我們使用搜尋封鎖清單，將包含基準測試答案的網站排除在評估之外，避免資料污染，並確保效能評估公平。GPT‑5.4 的測試時間晚於 GPT‑5.2，因此分數也反映模型、搜尋系統以及網際網路狀態的變化。GPT‑5.4 使用較長且更新的封鎖清單進行測試。模型使用 ChatGPT 搜尋工具，這些工具的行為可能與 API 搜尋存在些微差異。
類似於 Codex 在開始工作時會先概述其處理方式，ChatGPT 中的 GPT‑5.4 Thinking 現在也會在較長且較複雜的查詢開始前提供一段前導說明，概述接下來的工作流程。你也可以在回應生成過程中加入額外指示，或即時調整其方向。這讓你能更容易引導模型提供理想的最終結果，無需重新開始或多次來回溝通。此功能現已在 chatgpt.com(在新視窗中開啟) 和 Android 應用程式上推出，iOS 應用程式也即將支援。
模型在處理困難任務時也能思考更久，同時更能掌握對話先前的脈絡。因此，模型能處理更長的工作流程與更複雜的提示詞，同時保持回答連貫且切題。
此影片已加速播放，僅作示範用途。
過去幾個月來，我們為 GPT‑5.4 部署做準備的同時，也持續改進隨 GPT‑5.3‑Codex 推出的防護措施。與 GPT‑5.3‑Codex 類似，我們依據應變整備框架，將 GPT‑5.4 視為具備「高」等級網路能力的模型，並按照系統說明卡所載內容部署相應的防護措施。這些措施包括擴展的網路安全防護架構，涵蓋監測系統、可信存取控制，以及針對零資料保留 (ZDR) 介面上較高風險要求的非同步阻擋機制，與此同時，我們也持續投入資源，打造更廣泛的安全生態系統。
由於網路安全能力本質上具有「雙重用途」，我們在部署時會審慎以對，並持續調整政策與分類器。對於 ZDR 介面上的特定客戶，要求層級的封鎖仍是我們網路風險緩解機制的一環；由於分類器仍在持續改進，在我們持續完善這些防護措施的過程中，仍可能出現誤判情況。這些更新的用意是改善防護措施在實際運作中的表現，包括減少不必要的拒答情況，以及保留語和免責聲明過多的回覆，同時維持對濫用行為的強力防護。
我們持續推進針對思路鏈 (CoT) 可監控性的安全研究，更深入了解模型如何進行推理，並協助偵測潛在的不當行為。在這項研究中，我們引入一項新的開源評估：CoT 可控性，用於衡量模型是否能刻意混淆推理過程來規避監控。我們發現 GPT‑5.4 Thinking 控制 CoT 的能力很低，這在安全方面屬於正向特性，顯示模型缺乏隱藏自身推理過程的能力，也表示 CoT 監控仍然是有效的安全工具。
GPT‑5.4 即日起在 ChatGPT 和 Codex 中逐步推出。在 API 中，GPT‑5.4 現已用 gpt-5.4 名稱提供。GPT‑5.4 Pro 也已在 API 中提供，名稱為 gpt-5.4-pro，適用於需要在最複雜任務取得最佳表現的開發者。
在 ChatGPT 中，GPT‑5.4 Thinking 即日起開放給 ChatGPT Plus、Team 和 Pro 使用者使用，並會取代 GPT‑5.2 Thinking。GPT‑5.2 Thinking 將在付費用使用者的「現行模型」選擇器中保留三個月，並於 2026 年 6 月 5 日正式停用。Enterprise 和 Edu 方案使用者可透過管理員設定啟用搶先體驗。GPT‑5.4 Pro 則開放給 Pro 與 Enterprise 方案使用。在上下文視窗(在新視窗中開啟)方面，ChatGPT 中 GPT‑5.4 Thinking 的設定與 GPT‑5.2 Thinking 相同，沒有變更。
GPT‑5.4 是我們第一個主線推理模型，整合了 GPT‑5.3‑codex 的前沿程式碼編寫能力，將在 ChatGPT、API 和 Codex 中逐步推出。我們將模型命名為 GPT‑5.4，反映這次的能力躍升，並簡化使用 Codex 時的模型選擇。接下來，我們的 Instant 模型與 Thinking 模型將以不同的更新節奏持續進步。
GPT‑5.4 在 Codex 中包含對 100 萬上下文視窗的實驗性支援。開發人員可透過設定 model_context_window 及 model_auto_compact_token_limit 來試用。超出標準 272K 上下文視窗的請求，會以正常 2 倍的比率計入用量限制。
在 API 方面，為反映能力提升，GPT‑5.4 的每個 Token 收費高於 GPT‑5.2，不過，由於 Token 使用效率更高，許多任務所需的 Token 總量反而會減少。此外，Batch 和 Flex 定價為標準 API 費率的一半，而優先處理則為標準 API 費率的兩倍。
API 模型 | 輸入費用 | 快取輸入價格 | 輸出費用 |
gpt-5.2 | $1.75 / 百萬 Token | $0.175 / 百萬 Token | $14 / 百萬 Token |
gpt-5.4 | $2.50 / 百萬 Token | $0.25 / 百萬 Token | $15 / 百萬 Token |
gpt-5.2-pro | $21 / 百萬 Token | - | $168 / 百萬 Token |
gpt-5.4-pro | $30 / 百萬 Token | - | $180 / 百萬 token |
專業
評估 | 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% | — |
投資銀行建模任務（內部） | 87.3% | 83.6% | 79.3% | 68.4% | 71.7% |
OfficeQA | 68.1% | — | 65.1% | 63.1% | — |
程式設計
評估 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
SWE-Bench Pro（公開） | 57.7% | — | 56.8% | 55.6% | — |
Terminal-Bench 2.0 | 75.1% | — | 77.3% | 62.2% | — |
電腦操作與視覺
評估 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
OSWorld-Verified | 75.0% | — | 74.0% | 47.3% | — |
MMMU Pro（無工具） | 81.2% | — | — | 79.5% | — |
MMMU Pro（使用工具） | 82.1% | — | — | 80.4% | — |
工具使用
評估 | 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% | — |
學術
評估 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
Frontier Science Research | 33.0% | 36.7% | — | 25.2% | — |
FrontierMath（第 1 至 3 級） | 47.6% | — | — | 40.7% | — |
FrontierMath（第 4 級） | 27.1% | 38.0% | — | 18.8% | 31.3% |
GPQA Diamond | 92.8% | 94.4% | 92.6% | 92.4% | 93.2% |
Humanity's Last Exam（不使用工具） | 39.8% | 42.7% | — | 34.5% | 36.6% |
Humanity's Last Exam（使用工具） | 52.1% | 58.7% | — | 45.5% | 50.0% |
長篇上下文
評估 | 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% | — | — | — | — |
Graphwalks 父節點 0–128K（準確度） | 89.8% | — | — | 89.0% | — |
Graphwalks 父節點 256K–1M（準確度） | 32.4% | — | — | — | — |
OpenAI MRCR v2 8-needle 4K–8K | 97.3% | — | — | 98.2% | — |
OpenAI MRCR v2 8-needle 8K–16K | 91.4% | — | — | 89.3% | — |
OpenAI MRCR v2 8-needle 16K–32K | 97.2% | — | — | 95.3% | — |
OpenAI MRCR v2 8-needle 32K–64K | 90.5% | — | — | 92.0% | — |
OpenAI MRCR v2 8-needle 64K–128K | 86.0% | — | — | 85.6% | — |
OpenAI MRCR v2 8-needle 128K–256K | 79.3% | — | — | 77.0% | — |
OpenAI MRCR v2 8-needle 256K–512K | 57.5% | — | — | — | — |
OpenAI MRCR v2 8-needle 512K–1M | 36.6% | — | — | — | — |
抽象推理
評估 | GPT‑5.4 | GPT‑5.4 | GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 |
ARC-AGI-1 (Verified) | 93.7% | 94.5% | — | 86.2% | 90.5% |
ARC-AGI-2 (Verified) | 73.3% | 83.3% | — | 52.9% | 54.2%（高） |
未使用推理的評估
評估 | GPT‑5.4 | GPT‑5.2 | GPT‑4.1 |
OmniDocBench（正規化編輯距離） | 0.109 | 0.140 | — |
Tau2-bench Telecom | 64.3% | 57.2% | 43.6% |
除非另有說明，評估均以推理強度設為 xhigh 進行。基準測試在研究環境中進行，因此在部分情況下，其輸出可能與正式版 ChatGPT 略有不同。
