OpenAI 发布内置电脑操作能力的 GPT-5.4

一项由来已久的实践考验是：AI 系统能否在普通软件里干活——点击、输入、读取屏幕——而不只是在对话框中生成文字。电脑操作（computer use）让模型从「答案生成器」变成能在人日常使用的应用里完成多步任务的东西。GPT-5.4 就是 OpenAI 把这项能力做成通用模型标配的一次发布。

发布

2026 年 3 月 5 日，OpenAI 发布 GPT-5.4，分为 Thinking 与 Pro 两个版本。^[1] 按该公司的说法，这是 OpenAI 第一个出厂即具备原生电脑操作能力的通用模型；它把 GPT-5.3-Codex 的编程能力，与在工具、软件环境和专业文档上更好的表现结合在一起。^[3] 它支持的上下文最高达 100 万 token。^[3] 3 月 17 日，更小的 GPT-5.4 mini 与 GPT-5.4 nano 跟进发布。^[1]

操作电脑，并把计划摊开

在用于评测电脑上完成任务的基准 OSWorld-Verified 上，GPT-5.4 得分 75%，高于人类平均的 72.4%。^[1] OpenAI 还表示，Thinking 版本可以把思考计划先呈现出来，让用户在回答过程中改变方向。^[3] 在活儿干完之前就把计划摆到屏幕上，是个很小的界面改动，后果却不小：一个长任务可以在早期被纠偏，而不是等它一路跑完再返工。

报告的成绩

OpenAI 给出的成绩包括：GDPval 胜或平 83.0%、SWE-Bench Pro 57.7%、Toolathlon 54.6%、BrowseComp 82.7%。^[3] 公司称它的事实性错误比 GPT-5.2 少 33%，^[1][2] 并称它是迄今最省 token 的推理模型，所用 token 显著少于 GPT-5.2。^[3] 对电脑操作这类工作来说，省 token 有直接意义：一个智能体每读一次屏幕、做一次判断、执行一步动作都要消耗 token，单步越省，固定预算里能留给任务本身的空间就越多。

评价

评测者称赞它的深度研究（deep research）能力，但也指出它有时不能准确遵循提示词。^[1] 这种褒贬掺半的评价提醒人们，基准分数和日常可靠性是两回事：分数是对一组固定任务的平均，而用户记住的是那次指令被理解错了的情形。

为什么重要

GPT-5.4 落在几条发展线的交汇处。原生电脑操作把模型推出对话框，进入真正发生工作的那些应用；最高 100 万 token 的上下文让一次会话能装下多得多的材料；更低的 token 消耗则让长时间、多步骤的运行代价更小。OSWorld-Verified 的数字还有第二层意义：除了模型自己的分数，它同时给出了人类基线，使「机器与人」的比较变得具体，而不只是抽象的说法。基准终究只是代理指标，OpenAI 报告的数字也是公司对自己模型的测量，但方向是清楚的——人们开始用「能不能把任务做完」而不只是「写得怎么样」来衡量模型。不到两周后 mini 与 nano 版本的出现，也显示这项能力很快从旗舰发布扩散到一个不同尺寸的模型家族。^[1]