GPT-5.4 发布：Computer Use 超越人类，Tool Search 让 Agent 用工具省了一半 token

石臻说AI
38 阅读9分钟

OpenAI 刚刚发布 GPT-5.4，这次不只是模型更新，而是把推理、编程、Computer Use 和 Agent 工具调用全部整合到了一个模型里。GPT-5.3 活了不到 48 小时，GPT-5.4 就来了——速度快得让人有点不适应，但能力确实上了一个台阶。

GPT-5.4 是什么

2026 年 3 月 5 日，OpenAI 正式发布 GPT-5.4。同步上线的还有 GPT-5.4 Pro，提供更高性能的推理上限。

官方的定位是"面向专业工作的最强前沿模型"：一个模型把 GPT-5.3-Codex 的编程能力、GPT-5.2 的通用推理、以及全新的 Computer Use 能力打包在一起。

在 ChatGPT 里它叫 GPT-5.4 Thinking，在 API 和 Codex 里直接叫 gpt-5.4，Pro 版叫 gpt-5.4-pro。

五个核心能力

OpenAI 对 GPT-5.4 的能力总结很清晰，五项核心：

原生 Computer Use——能写 Playwright 代码操控电脑，读截图、发键鼠操作，在 OSWorld-Verified 上达到 75.0% 成功率，超过人类基线 72.4%。

百万 Token 上下文——Codex 和 API 支持最高 1M token，Agent 跑长任务不用再切割上下文了。

顶级编程能力——在 SWE-Bench Pro 上超过 GPT-5.3-Codex，同时延迟更低。

Tool Search 工具搜索——Agent 调用工具时不再把全部工具定义塞进 prompt，而是按需取用，实测减少 47% token 用量。

更高效的推理——用更少 token 解决更复杂问题，速度比 GPT-5.2 快很多。

跑分一览

评测项GPT-5.4GPT-5.3-CodexGPT-5.2
GDPval（专业工作）83.0%—70.9%
SWE-Bench Pro（编程）57.7%56.8%55.6%
OSWorld-Verified（Computer Use）75.0%74.0%47.3%
Toolathlon（工具调用）54.6%51.9%46.3%
BrowseComp（网页搜索）82.7%77.3%65.8%

GDPval 测试的是在 44 种职业真实工作场景下（销售 PPT、会计表格、排班表、制造流程图等），GPT-5.4 和行业专业人士相比胜或平的比例达 83%，比 GPT-5.2 的 70.9% 提升明显。

OSWorld 的提升最直观：从 47.3% 跳到 75.0%，超越人类基线，Computer Use 终于真的能用了。

ValsAI 也同步发布了 Vibe Code Bench 数据：

GPT-5.4 以 67.4% 位居第一，比此前最优模型高出 5.7%。这个基准测的是从一段简短描述出发，完整生成一个可运行应用的能力。

Computer Use：超越人类基线

GPT-5.4 的 Computer Use 有两套路子：一是写 Playwright 代码控制浏览器（开发者更熟悉），二是直接接收截图然后发出键鼠操作（更通用）。

更重要的是，行为可以调整。开发者可以通过系统消息设定不同的风险容忍度和确认策略——高风险操作（比如删文件）可以让模型暂停等确认，低风险操作直接执行。这让 Computer Use 真正可以在生产环境里用，而不只是 demo 好看。

官方同步推出了 Playwright Interactive 这个 Codex Skill，让模型在构建 web 或 Electron 应用的同时，直接视觉调试。

动图演示：OpenAI 开发者应用展示

Tool Search：解决 Agent 规模化的拦路虎

之前 Agent 调用工具有个很头疼的问题：工具多了，所有工具定义都要塞进 prompt，几万 token 就这么浪费了，还推着缓存频繁失效。

Tool Search 的解法是：给模型一个轻量级的工具列表 + 一个搜索能力，需要用哪个工具再去取定义，而不是上来就把全部塞进来。

实测数据很说明问题：250 个 MCP Atlas 任务，启用 Tool Search 后，token 用量减少 47%，准确率保持不变。

开发者社区里有人把这个总结得很到位：

"tool search 是大家忽略的那行字——之前 20 个工具就够让 Agent 崩的问题，现在有解了。"

开发者已经在用了：真实 Demo 看什么感觉

GPT-5.4 发布后几小时，X 上已经出现了开发者自己录的实测视频。挑几个有代表性的。

模型自己构建游戏，然后自己打开浏览器测试

@johnolafenwa 在 Codex 里用最喜欢的 prompt 测了一遍，结果让他比较惊讶的不是写代码，而是模型写完以后自己打开浏览器测试，发现问题再迭代，全程没有人干预。

下面是 GPT-5.4 用 Playwright MCP 自测游戏的动态演示——它自己打开游戏，读截图，然后发出操作：

动图演示：GPT-5.4 用 Playwright MCP 自主测试游戏

这正是 Computer Use + 编程能力结合后最直接的场景：模型不只是写代码，而是能看到运行效果，然后自己改。

7 个例子，一个 prompt 一个结果

@minchoi 整理了 7 个实际任务，包括构建并可玩的 3D 棋类游戏：

动图演示：GPT-5.4 构建 3D 棋类游戏

1M token 上下文让这类需要长期保持状态的任务（游戏逻辑、多轮规划）不再需要手动切割和传递上下文。

编程能力：跟 Claude Opus 4.6 的实测对比

GPT-5.4 上线后，社区里出现了不少 vs Claude 的实测。有开发者用同一个 8 阶段 MacOS 应用开发项目做了测试：GPT-5.4 在一小时内完成了所有 8 个阶段，而 Claude Code Opus 4.6 在同样时间只走完了第 2 阶段。

当然这只是单次测试，不代表所有任务上 GPT-5.4 都快这么多。但从模型定位来看，GPT-5.4 明显更适合长流程、多工具、需要不断迭代的任务，而不是单次对话。

Codex 里还加了 /fast 模式，开启后同样的模型和智能水平，token 速度提升最高 1.5x。

在 SWE-Bench Pro 上，GPT-5.4 的 57.7% 超过了 GPT-5.3-Codex（56.8%），同时延迟更低。这个组合——更强且更快——是编程任务里比较少见的。

深度测试者怎么看：优点和短板都说清楚

Matt Shumer 是少数提前拿到测试权限的开发者，他的评测算是这次比较有料的一篇。

他的核心判断是：这是目前世界上最好的模型，而且好的程度让「用哪个模型」这个问题开始显得没那么重要了。

具体说了几点：

标准版已经打爆上一代 Pro 版。他自称是 Pro 模式重度用户，但 GPT-5.4 标准版 + 重度思考，第一次让他放弃了惯性地去开 Pro。这意味着日常使用成本会显著下降。

编程能力基本没有可以说的了。原话是"coding is essentially solved"——在 Codex 里的稳定性让他觉得这块已经没什么可以补充的了。

推理 token 更省。同等质量的结果，用的推理 token 更少，速度更快。他提到之前 OpenAI 模型让他最不满意的就是简单任务也跑得很慢，这次有明显改善。

但他也直接说了两个硬伤：

  • ❌ 前端审美远落后于 Opus 4.6 和 Gemini 3.1 Pro。做 UI 的话，GPT-5.4 的视觉感知和审美判断比 Claude 差得明显，如果你在做客户端工作，这个差距会直接影响交付质量
  • ❌ 会漏掉真实世界的隐性常识。他举例：让它规划行程，表面看起来完美，但没考虑到那段时间目标地点会被大学生春假占满，需要重新给更多背景才能改正

社区里对「前端审美」这个点的共鸣很高，很多开发者的工作流是：后端逻辑给 GPT，UI 给 Claude。Matt 的评测让这个分工逻辑更清晰了一点。

当然也有人觉得他说得太满。有评论指出 SWE-Bench Pro 57% 并不算"编程问题解决了"，更有人提醒这类提前测评本质上是一种流量合作，要打折扣来看。这个判断留给大家自己。

ChatGPT 里的新体验

不只是 API 端有变化，ChatGPT 里的 GPT-5.4 Thinking 也有几个新东西。

最值得关注的是"中途打断"功能：模型在推理过程中，用户可以随时插入新指令或调整方向，不需要等它回答完再重新提问。

这件事听起来小，但实际上改变了深度推理任务的交互模式。之前用 Thinking 模式，你提个问，然后就干等——等它想完了才能告诉它"方向不对"。现在可以实时纠偏，省去了大量无效等待。

另外，GPT-5.4 Thinking 会在开始工作时先给出一个大纲或工作计划，让你知道它准备怎么做。这是学 Codex 的风格——先展示思路，再执行。

深度网页搜索也有提升，特别是需要跨多个来源综合信息的"针尖"类问题，BrowseComp 上跳了 17% 绝对值。

专业工作能力

GPT-5.4 在专业工作场景（GDPval）的提升是 OpenAI 这次着重强调的方向。

内部电子表格基准测试：GPT-5.4 得 87.3%，GPT-5.2 只有 68.4%。PPT 制作上，人类评估者 68% 的时候更偏好 GPT-5.4 的版本，原因是视觉更丰富、图片更有变化。

同步上线的还有 ChatGPT for Excel 插件，面向企业用户。Excel、Factiva、Daloopa、S&P Global 等财务数据源的接入，显然是奔着金融分析场景去的。

幻觉下降，事实错误减少 33%

这个数据在官博里比较低调，但其实很重要。

在用户标记了事实错误的 prompt 集合上，GPT-5.4 单条声明出错的概率比 GPT-5.2 低 33%，完整回答含错误的概率低 18%。

对于要把 AI 用在实际工作里的人来说，这个比跑分数字更实在。

开发者怎么接入

API 里模型名：

  • gpt-5.4 — 标准版
  • gpt-5.4-pro — Pro 版

新能力主要是两个 API 参数：

  • Computer Use：通过更新后的 computer 工具参数调用
  • Tool Search：通过新的 tool_search 参数启用

图片输入也更新了：新增 original detail 级别，支持最高 10.24M 像素或 6000 像素边长（取低者）；high 级别也提升到 2.56M 像素上限，对定位精度和点击准确性有明显提升。

最后说一句

GPT-5.3 活了不到两天就被 GPT-5.4 取代，不少用户在评论区抱怨版本迭代太快、没时间适应。这个情绪可以理解，但换个角度看——能力真的在快速提升。

五个核心改进里，Computer Use 超越人类基线、Tool Search 解决 Agent 规模化成本是实质性突破，不是跑分游戏。1M token 上下文加上中途打断功能，让 GPT-5.4 更像一个能配合你工作节奏的工具，而不是等你提问的对话框。

接下来有意思的问题：Claude Opus 4.6 + GPT-5.4 并行用，什么任务给谁？这个答案在接下来几周会越来越清晰。

参考链接

avatar
文章
阅读
粉丝