💡 站外导读：当AI不再只是“回答问题的助手”，而是能“替你完成任务的同事”，意味着什么？OpenAI最新发布的GPT‑5.4，正试图回答这一问题。这款旗舰模型首次将推理、编程、原生计算机操作、深度搜索和百万Token上下文能力整合进单一模型，并在多项测试中首次超越人类基准。从自动制作PPT、财务建模，到独立操作鼠标键盘完成跨应用任务，GPT‑5.4标志着AI从工具向自主Agent的关键跃迁，为知识工作者和开发者带来了全新的自动化可能。
GPT-5.4是OpenAI推出的旗舰AI模型，定位为”专为专业工作设计的最强前沿模型”。模型首次将推理、编程、原生计算机操作、深度网页搜索和百万Token上下文整合进单一模型，且未牺牲任何单项性能。在OSWorld电脑操作测试中，以75%成功率首次超越人类水平；在GDPval知识工作测试中，83%的任务达到或超过专业人士水准。GPT-5.4支持截图理解界面并执行鼠标键盘操作，可独立完成跨应用复杂任务，标志着AI从”回答问题”向”完成任务”的关键转变。
GDPval 测试：83.0% 的任务达到或超过行业专家水平（GPT-5.2 仅 70.9%）。
投行级表格建模：87.3%（GPT-5.2 为 68.4%）。
PPT 生成：人类评审68% 更偏好 GPT-5.4。
OSWorld-Verified：75.0% 成功率，首次超越人类基线 72.4%，GPT-5.2 仅 47.3%。
WebArena-Verified：67.3%，浏览器任务处理能力领先。
Online-Mind2Web：92.8%，纯截图观察即可精准操作网页。
BrowseComp：82.7%（Pro 版高达 89.3%），较 GPT-5.2（65.8%）提升 17 个百分点，创业界新高。
Toolathlon：54.6%（GPT-5.2 为 45.7%），多步骤工具调用更准确。
Token 消耗：降低 47%，工具搜索机制在保持同等准确率下大幅降本。
GPQA Diamond：92.8%（Pro 版 94.4%），科学问答接近满分。
Humanity’s Last Exam（带工具）：52.1%（Pro 版 58.7%），高难度综合测试表现突出。
ARC-AGI-2：73.3%（Pro 版 83.3%），抽象推理能力大幅跃升，GPT-5.2 Pro 仅 54.2%。
单条事实错误概率：降低 33%。
完整回答出错率：降低 18%，成为 OpenAI 迄今最 factual 的模型。
gpt-5.4 或 gpt-5.4-pro 模型端点，支持最高 100 万 Token 上下文和工具搜索功能，按 Token 用量计费。/fast 开启加速模式，或使用实验性 1M 上下文窗口处理大型代码项目，支持 Playwright Interactive 可视化调试。Plus/Business订阅：含 GPT-5.4 Thinking（每周3000次）。
Pro订阅：含 GPT-5.4 Pro（不限量）。
GPT-5.4：输入 $2.50/百万Token，缓存输入 $0.25/百万Token，输出 $15/百万Token。
GPT-5.4 Pro：输入 $30/百万Token，输出 $180/百万Token。
GPT‑5.4的发布不仅是技术迭代，更是AI应用范式的分水岭。其核心突破在于“原生计算机操作”能力——AI首次能像人一样看屏幕、点鼠标、打键盘，这意味着“AI Agent”从概念走向了可用阶段。结合百万Token上下文和深度搜索，它不再只是代码助手或对话模型，而是能处理长周期、多步骤复杂任务的“数字员工”。对企业而言，这预示着RPA（机器人流程自动化）的智能化升级；对开发者，Playwright交互调试代表了“人机协同编程”的新形态。尽管Pro版API定价不菲，但其在SWE-Bench、BrowseComp等硬核测试中的表现，证明了其在真实工作场景中的可靠性。未来，AI竞争将从“谁更会聊天”转向“谁更能干活”。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。