GPT-5.4：专业工作流进入“可执行时代”

2026 年 3 月 5 日，OpenAI 发布 GPT-5.4^[1]。这未必足以单独宣告大型语言模型已经完成从对话助手到自主、多模态计算代理的历史性过渡，但它无疑构成了这一进程中的一个标志性节点。OpenAI 对 GPT-5.4 的定位非常明确：这是其面向复杂专业工作的旗舰模型，重点不再只是“回答得更好”，而是更稳定地完成表格、文档、演示、编码、工具调用与长流程任务。与此同时，GPT-5.4 也把近期在推理、编码、视觉理解与 agentic workflows 上的多项进展，第一次较为完整地整合进同一条主线产品中。

GPT-5.4 的意义，并不只存在于模型能力本身。真正值得注意的是，它让“工作型 AI” 第一次以更清晰的产品形态出现：模型不只是生成文本，而是开始进入专业工作流，开始调用工具，开始处理真实软件界面，开始在更长的执行链条中承担部分任务推进责任。也正因如此，围绕前沿 AI 的讨论，正在从“模型更聪明了吗”，转向“模型能否被部署进真实系统”，以及“当它开始真正动手时，会把哪些现实摩擦一并带出来”。

从官方公开信息可提炼的关键变化包括：

• API 侧极大的上下文窗口（context window）与输出长度：105 万 token 上下文与最高 12.8 万输出 token
• 对“知识工作产物”（knowledge work artifacts）更强的输出质量（如表格/文档/演示）
• 更“代理化”的工具配套：tool search、computer tool、更高的视觉输入保真度（vision fidelity）
• 在 OpenAI 内部去标识化“用户标记错误（user‑flagged error）”集合上，事实性错误（factual errors）指标下降（包含 claim‑level 与 response‑level 的下降叙述）

生成的表格、文档确实更好看了。

当然价格也很“美丽”...

GPT-5.4 已经开始在 ChatGPT、Codex 和 API 中逐步上线：

• API 中已可直接使用：gpt-5.4、gpt-5.4-pro
• ChatGPT 侧可用人群：
• GPT-5.4 Thinking 从今天开始向 Plus、Team、Pro 用户开放，替代 GPT-5.2 Thinking
• GPT-5.2 Thinking 仍会在 Legacy Models 中为付费用户保留 3 个月，之后将在 2026 年 6 月 5 日退役
• Enterprise 和 Edu 可通过管理员设置开启早期访问
• GPT-5.4 Pro 面向 Pro 和 Enterprise 计划开放
• ChatGPT 中 GPT-5.4 Thinking 的上下文窗口与 GPT-5.2 Thinking 保持不变
• Codex 侧：
• GPT-5.4 是首个把 GPT-5.3-codex 前沿编码能力并入主线 reasoning model 的版本
• 在 Codex 中，GPT-5.4 提供 1M context window 的实验性支持
• 开发者可通过配置：model_context_window、model_auto_compact_token_limit 来尝试。但如果请求超过标准 272K context window，会按 2 倍 usage rate 计入使用额度
• API 定价逻辑：
• GPT-5.4 的单 token 价格高于 GPT-5.2
• 官方理由是能力更强，但也强调其 token efficiency 更高，很多任务实际总 token 消耗会下降
• Batch 和 Flex 定价为标准 API 价格的一半
• Priority processing 为标准 API 价格的两倍

一句话总结：

• 普通高阶使用：ChatGPT Plus/Team/Pro 已可用 GPT-5.4 Thinking
• 最高性能任务：API 可用 gpt-5.4-pro，ChatGPT 里主要是 Pro / Enterprise
• 编码与超长上下文实验：Codex 已开始支持 GPT-5.4，并试验 1M context，但超过 272K 会明显更贵/更耗额度

模型意义

这次我想从解决问题场景来切入，而不是简单的堆几个测评结果或截图。

从回答问题，到执行工作

GPT-5.4 的架构目标，可以概括为一件事：尽可能降低人类数字意图与系统执行之间的摩擦。过去几年里，限制代理系统落地的并不只是模型智力本身，而是几个反复出现的基础问题：工具定义过重导致的 token 膨胀、长上下文中的信息拥堵、视觉输入保真度不足，以及生成流程一旦跑偏就只能整轮重来的静态轨迹。GPT-5.4 并没有“消灭”这些问题，但它确实把这些原本偏研究性的痛点，推进成了可被系统化处理的产品问题。

让代理真正“动手”

从历史上看，AI 与图形用户界面（GUI）的交互，往往依赖复杂而脆弱的中间层：要么先把界面解析成 DOM，要么把视觉信息转译成结构化文本，再让模型间接决策。这类方案的问题在于，一旦软件环境变得动态、界面变得密集、状态频繁变化，延迟、漂移和执行失败就会迅速上升。

GPT-5.4 的推进之处，在于 OpenAI 首次把 native computer use 作为通用前沿模型的重要能力公开推出。它并不是让模型“直接拥有操作系统控制权”，而是让模型可以基于截图理解界面，并通过 computer use 工具生成点击、输入、截图等动作，再由外部执行器把这些动作落实到真实软件环境中。换句话说，它没有彻底取消中间层，而是把过去高度碎片化、脚手架化的中间层，压缩进了一套更统一的代理执行框架。

这种能力的基础，是更强的视觉处理。OpenAI 并没有宣称 GPT-5.4 对图像“完全不做任何压缩”，但它确实引入了 original 图像细节级别，使模型能够在官方限定范围内处理最高 10.24M 像素、或最大边长 6000 像素的全保真输入；同时，high 级别的图像上限也被抬高。这种更高的视觉保真度，使模型在处理密集软件界面、复杂文档布局和细粒度图表时，拥有更强的定位与理解能力。

这种视觉—动作整合的效果，也得到了公开基准的支持。OpenAI 在发布页中给出的结果是：在 OSWorld-Verified 上，GPT-5.4 的成功率达到 75.0%，高于 GPT-5.2 的 47.3%，也高于其引用的人类基线 72.4%。更稳妥的表达不是 “GPT-5.4 已经全面超越人类桌面能力”，而是：在这一特定公开基准及其设定下，它已经达到并略微超过公开的人类参考水平，这说明前沿模型在桌面导航、跨应用操作和多步任务执行上，已经进入了一个新的阶段。

不再把工具塞爆上下文

随着代理系统开始接入企业环境，真正棘手的问题往往不在模型本身，而在工具生态。外部 API、内部数据库、专有系统、MCP 服务器、函数命名空间——这些能力当然都可以暴露给模型，但传统做法通常是把完整工具定义一次性塞进系统提示词。结果是，请求还没真正开始解决任务，工具定义就已经先吃掉了大量上下文预算，并带来更高推理成本与更差缓存命中。

GPT-5.4 引入的 Tool Search，就是对这个问题的直接回应。系统不再要求预先展开所有工具定义，而是允许开发者提供一个更轻量的工具目录，由模型在需要时再去搜索、识别并装载具体工具。OpenAI 的官方文档也明确给出了这一机制的使用方式：通过 tool_search 与 defer_loading: true，将工具定义延迟到真正需要时再进入上下文。

{
"tools":[
{
"type":"namespace",
"name":"crm",
"description":"CRM tools for customer lookup and order management.",
"tools":[
{
"type":"function",
"name":"list_open_orders",
"description":"List open orders for a customer ID.",
"defer_loading":true,
"parameters":{
"type":"object",
"properties":{
"customer_id":{"type":"string"}
},
"required":["customer_id"],
"additionalProperties":false
}
}
]
},
{
"type":"tool_search"
}
]
}

OpenAI 在 MCP Atlas 场景下给出的结果是：跨 36 个服务器、250 个任务，启用 Tool Search 后，总 token 使用量下降了 47%，而准确率保持不变。它显著缓解了大型工具生态对上下文窗口的挤压，把“工具规模”与“上下文成本”之间过去过于紧密的耦合关系拉松了。这对于真正进入企业场景的代理系统而言，意义远大于一次单纯的模型参数提升。

交互式思考产品化

传统生成式语言模型最令人沮丧的一点，在于它们通常以一种单向、静态、不可打断的方式推进生成：模型一路往前算，直到输出结束；而一旦方向偏了，用户只能在下一轮里重来。这种交互机制并不适合复杂专业任务，因为真正的工作常常不是“你给我一个答案”，而是“你先给出路径，我在途中修正你的路径”。

ChatGPT 中的 GPT-5.4 Thinking 现在可以先给出一个 upfront plan，让用户在模型工作过程中调整方向，从而在不增加额外轮次的情况下，让最终输出更贴近需求。这个变化本身并不意味着模型拥有某种神秘的新型认知结构，但它确实把“前置规划 + 中途纠偏”变成了产品能力，而不再只是隐含在模型内部的黑箱过程。

在复杂、多变量任务中，这种机制的价值非常直接。用户可以在响应尚未结束时，注入新的参数、改变约束、补充遗漏条件、微调交付目标，而模型则据此重新评估当前轨迹。更重要的是，这种修正不是“答完以后再推倒重来”，而是在执行链条中途完成。这让 GPT-5.4 Thinking 更像一个可被协同校准的工作系统，而不只是一个一次性吐出答案的文本生成器。对专业工作流来说，这种动态轨迹修正能力，往往比单轮回答智力的提升更有价值，因为它直接影响交付物与真实需求之间的贴合度。

Coding 能力

为了展示该模型在计算机使用和编码能力方面的改进，OpenAI 还发布了一项名为 “Playwright（交互式）”的实验性 Codex 技能（下载技能：playwright-interactive^[2]）。该技能允许 Codex 以可视化的方式调试 Web 和 Electron 应用程序；它甚至可以在构建应用程序的同时对其进行测试。

案例一

这是一款由 GPT-5.4 基于一条仅做了轻度说明的提示词生成的主题乐园模拟游戏，开发过程中使用了 Playwright Interactive 进行浏览器试玩测试，并借助图像生成功能制作等距视角素材资源。游戏模拟了基于网格的道路铺设、游乐设施与景观建造、游客寻路、排队以及设施运转周期；同时，公园的资金、游客数量、满意度、清洁度和评分等指标，也会随着布局表现和游客反馈而动态升降。Playwright 被用来自动化执行浏览器端试玩测试，包括建设和扩张乐园、放置与移除道路和设施、检查镜头导航，以及在多轮游玩过程中验证游客行为、排队状态、设施状态和界面指标是否都能正确更新。以下动图被加速播放：

案例二

这是一个由 GPT-5.4 基于一条仅做了轻度说明的提示词生成的金门大桥飞行体验项目，开发过程中使用了 Playwright Interactive 进行浏览器试玩测试，并借助图像生成功能制作源素材与表面纹理。测试期间，Playwright 会在浏览器中启动该体验，操作飞行控制与预设视角，从不同距离和角度穿行于大桥场景之中，检查镜头运动与导航是否保持平滑稳定，验证全视口展示是否存在裁切或滚动问题，并捕捉可视化证据，以帮助进一步优化光照、构图以及整体真实感。以下动图被加速播放（图片质量被压缩）：

开发者 & 企业最佳实践

GPT-5.4 之后，“选模型”不再是单一开关，而更像一个系统设计问题。你需要同时考虑推理强度（reasoning effort）、工具架构（tool architecture）、验证（verification）与成本控制（cost controls）。

• 有意识地选择推理强度（reasoning effort），并让其可测（testable）
• 对延迟敏感任务，优先从低 reason effort 开始，通常是 none
• 只有当评测（evals）证明收益明确时，再逐步提高推理强度
• 通过结构化提示合同（structured prompt contracts）减少需求模糊，避免用更多推理 token 去弥补提示不清
• 注意兼容性限制：如果依赖 temperature 或 top_p，往往需要设置 reasoning.effort: none 才不会报错
• 长程代理（long-horizon agent loops）优先使用 Responses API
• Responses API 是 GPT-5.4 的主要接入路径，尤其适合需要多轮传递状态的代理系统
• 它通常更有利于提升缓存命中率与整体延迟表现
• GPT-5.4 Pro 也被描述为仅在 Responses API 中可用
• 对可能持续数分钟的工作流，应使用后台模式（background mode）避免超时
• 同时要让后台执行方式与组织内部的数据保留和合规要求保持一致
• 当工具太多时，将 tool search 作为默认策略
• 如果代理拥有很长的工具列表，或使用命名空间 / MCP server，tool search 可以减少重复提示词开销
• 它的核心思路是只在需要时注入相关工具定义，从而改善缓存与上下文利用率
• 工程实践上，命名空间（namespace）描述要清晰
• 每个 namespace 内的函数数量应保持克制，避免过度膨胀
• 对动态注入的工具必须谨慎，避免不可信工具进入上下文
• 必须对工具定义和调用过程实施严格的 schema 校验
• 电脑操作代理（computer-use agents）需要 UI 工程纪律
• 模型返回的每一个 action 都必须被执行，并返回更新后的截图，形成闭环
• 为了提升点击准确度（click accuracy），优先使用 detail: "original"
• 如果图像经过缩放，必须重新映射坐标，否则定位容易漂移
• 在企业场景中，针对支付、账户修改、破坏性编辑等不可逆动作，应引入人类确认（human-in-the-loop）
• 同时建立明确的确认策略（confirmation policies），按不同风险等级调整安全行为
• 预期“滥用风控（abuse guardrails）”与网络安全误报（false positives）
• 如果产品形态接近安全工具，例如扫描器、PoC、门户自动化脚本，就要预期部分流量可能被风控标记
• 更稳妥的做法是为每个用户设置 safety_identifier
• 这样可以避免因为组织级阈值触发，导致整个平台或整租户被全局中断
• 这一点对多租户 SaaS 尤其重要
• 从社区反馈来看，已经出现过 streaming 中断和临时限制的案例，说明这不是纯理论问题
• Codex 的 “Fast mode” 需要谨慎开启
• /fast 可将速度提升约 1.5×
• 但代价是 credit 消耗变为 2×
• 目前该模式支持 GPT-5.4
• 它对交互式调试、快速试错可能很有价值
• 但也会更快烧掉使用额度，并放大 rate limit 与成本压力
• 这也与部分开发者关于 “usage burn 更快”的反馈相吻合

社区反馈

收集了一些社区讨论，方便大家评估。虽然每次模型升级社区都是各种吹嘘，实测各种翻车，但还是有一定参考价值的。总结一下就是：在数学领域，表现十分突出。在编程方面让人爱不释手，而且再也不用为选哪个模型烦恼了（gpt 系列、o 系列傻傻分不清楚）...

结语

GPT-5.4 最令人脊背发凉的，不是它多干了多少活，而是它把现代职场的底裤给扒了。它像一束过于诚实的光，照穿了那些体面的职业外壳，逼我们承认：过去引以为傲的“专业素养”——写一份滴水不漏的报告、熟练操作复杂的软件、把散乱信息拼凑成结论——本质上不过是尚未被标准化的认知流水线。一旦这些被看穿，冲击就不再是简单的“抢饭碗”，而是对价值分配逻辑的根本动摇：为什么有些人仅仅因为更擅长扮演机器、更熟练地搬运规则，就能长期占据高位？真正的分水岭已经出现：AI 迫使我们放弃对“专业性”的浪漫误解，承认很多所谓的经验只是低熵的重复。未来，凡是能被写进 SOP 的能力都将贬值，人类仅存的领地，不再是“把事做对”，而是定义真问题的直觉、在混沌中下注的勇气，以及为错误买单的责任感。GPT-5.4 真正警示我们的是：如果你把全部价值都建立在可被验证、可被复制的技能上，那你不仅会被替代，更会被羞辱；人类必须尽快进化到一个无法被算法压缩的维度。

References