GPT-5.4深度评测：原生计算机使用、推理编程合体，OpenAI重回王座

首个全能通用模型降临

OpenAI深夜放出重磅炸弹——GPT-5.4正式发布。这不是一次简单的版本迭代，而是OpenAI对Gemini 3.1 Pro和Claude Opus 4.6的全面反击。GPT-5.4是OpenAI首个具备原生计算机使用能力的通用模型，集推理、编程、视觉、工具使用、计算机操作、网络搜索和知识工作于一身，每一项能力都拉到了当前的顶尖水平。

原生计算机使用：直接超越Claude Opus 4.6

GPT-5.4最令人兴奋的能力是原生计算机使用（Computer Use）。它既能通过Playwright等库编写代码来控制计算机，也能直接读取屏幕截图、操作鼠标和键盘——发邮件、排日程、填表格、跑流程，这些以前需要手动操作的工作，GPT-5.4现在可以独立完成。

技术背景：计算机使用（Computer Use）是指AI模型直接感知屏幕画面并操控鼠标、键盘的能力，本质上是让AI像人类一样"看着屏幕干活"。这一能力的技术路径分为两类：一是通过代码间接控制（如调用Playwright、Selenium等自动化库），二是直接视觉感知+动作输出（截图→理解→点击/输入）。前者依赖结构化DOM，后者更接近人类操作方式但对视觉理解要求极高。OSWorld和WebArena是该领域最权威的评测基准，前者模拟真实桌面操作系统任务，后者聚焦网页交互场景，两者都要求模型完成端到端的多步骤任务，而非单一指令响应。

在核心基准测试中，GPT-5.4的表现相当亮眼：

• OSWorld Verified：75.0%成功率，超越Claude Opus 4.6的72.7%，领先2.3个百分点
• WebArena Verified（DOM+截图驱动）：67.3%成功率，领先GPT-5.2的65.4%
• Online Mind2Web：仅靠截图观察力拿下92.8%，而ChatGPT Atlas智能体模式只有70.9%，差距明显

就在一个月前，Claude Opus 4.6才刚登顶计算机使用能力榜单，GPT-5.4一出手就完成了反超。

视觉感知与文档解析：全保真度输入

强大的执行能力离不开更强的通用视觉感知。在MMMU Pro基准上，GPT-5.4不使用工具的成功率达到81.2%，明显优于GPT-5.2的79.5%。在OmniDoc Bench上，GPT-5.4未开启推理强度的平均误差为0.109，GPT-5.2则为0.140。

更值得关注的是，GPT-5.4首次引入"Original"和"High"两种图像输入细节级别：

• Original模式：支持最高1024万总像素或最大单边6000像素的全保真度感知
• High模式：支持最高256万总像素或最大单边2048像素

在API早期测试中，GPT-5.4在定位能力、图像理解和点击准确性上均有明显提升。

精通办公三件套：比华尔街分析师还强

计算机使用是硬功夫，知识工作则是GPT-5.4的软实力。在GDPVL基准测试中，GPT-5.4以83.0%的成绩追平甚至超越了行业内的专业人士，而上一代GPT-5.2仅有70.9%——一个版本直接拉开了12个百分点的差距。

技术背景：GDPVL（GDP-Verified Labor）是一个以美国GDP贡献为权重设计的知识工作评测基准，其核心理念是让AI评测与真实经济价值挂钩，而非仅测试学术题目。基准覆盖美国GDP贡献最大的9个行业和44种职业，要求模型交付可直接使用的工作产出——如可运行的Excel财务模型、可演示的PowerPoint、符合排版规范的医疗表格等。这种"交付物导向"的评测方式比传统选择题或代码题更能反映AI在真实职场中的替代潜力。GPT-5.4以83.0%追平专业人士水平，意味着在初级白领工作场景中，AI辅助已从"提效工具"升级为"可独立交付"的工作单元。

GDPVL测试横跨美国GDP贡献最大的9个行业、44种职业，涵盖销售演示文稿、会计电子表格、急诊排版表、制造图表、短视频等场景，全部要求AI交付真实的工作产出。GPT-5.4已经能做PPT、做Excel、排版表，而且完成质量超过了大多数专业人士。

在一项模拟初级投资银行分析师的内部电子表格建模测试中，GPT-5.4平均得分87.3%，GPT-5.2只有68.4%。人类在68.0%的情况下更偏好GPT-5.4生成的PPT，原因是美感更强、视觉更丰富、图像使用更高效。

幻觉率降低33%

GPT-5.4是OpenAI迄今为止最注重事实准确性的模型。在一组去标识化的、包含用户标记事实错误的提示词集中，相对于GPT-5.2：

• 单独声明出错的概率降低了33%
• 整个回复包含任何错误的概率降低了18%

对于依赖AI生成内容的专业场景来说，这一改进意义重大。

推理+代码合体：Token效率最高的推理模型

GPT-5.4完整继承了GPT-5.3-Codex的编程能力，用户不再需要在"聪明的模型"和"能写代码的模型"之间来回切换，一个模型就能全部搞定。

在SWE-Bench Pro测试中，GPT-5.4拿下57.7%准确率，甚至超越了GPT-5.3-Codex的56.8%。

技术背景：SWE-Bench（Software Engineering Benchmark）是由普林斯顿大学提出的代码能力评测基准，要求模型基于真实GitHub Issue修复实际代码库中的Bug，是目前最接近工程实战的编程评测。SWE-Bench Pro是其升级版，引入了更复杂的多文件修改、跨模块依赖等场景，难度显著高于原版。Token效率在此语境下尤为关键——推理模型在解题时往往需要大量"思考Token