今天，我们在 ChatGPT（作为 GPT‑5.4 Thinking）、API 和 Codex 中发布 GPT‑5.4。这是我们面向专业工作的最强、最高效的前沿模型。我们还在 ChatGPT 和 API 中发布 GPT‑5.4 Pro，供希望在复杂任务上获得最高性能的用户使用。
GPT‑5.4 将我们近期在推理、编码和智能体工作流方面的最佳进展整合到一个前沿模型中。它融入了 GPT‑5.3‑Codex 业界领先的编码能力，同时改进了模型跨工具、软件环境，以及处理电子表格、演示文稿和文档等专业任务的表现。其结果是，这款模型能准确、有效且高效地完成复杂的实际工作，用更少的来回沟通交付你所要求的内容。
在 ChatGPT 中，GPT‑5.4 Thinking 现在可以先给出思考计划，让你在它工作的过程中中途调整方向，无需额外轮次就能得到更贴合需求的最终输出。GPT‑5.4 Thinking 还改进了深度网络研究，尤其是针对高度具体的查询，同时在需要更长思考的问题上更好地保持上下文。这些改进合在一起，意味着更高质量的答案，到达更快，也始终紧扣手头任务。
在 Codex 和 API 中，GPT‑5.4 是我们发布的首个具备原生、业界领先计算机使用能力的通用模型，使智能体能够操作计算机并跨应用完成复杂工作流。它支持最高 100 万 token 的上下文，让智能体能够在长周期内规划、执行和验证任务。GPT‑5.4 还通过工具搜索（tool search）改进了模型在大型工具和连接器生态中的工作方式，帮助智能体更高效地找到并使用合适的工具，同时不牺牲智能水平。最后，GPT‑5.4 是我们迄今token 效率最高的推理模型，与 GPT‑5.2 相比，解决问题所用的 token 显著减少，从而降低 token 用量并提升速度。
加上在通用推理、编码和专业知识工作方面的进步，GPT‑5.4 让 ChatGPT、API 和 Codex 中的智能体更可靠、开发者工作流更快、输出质量更高。
| GPT‑5.4 | GPT‑5.3‑Codex | GPT‑5.2 | |
|---|---|---|---|
| GDPval（胜出或持平） | 83.0% | 70.9% | 70.9% |
| SWE-Bench Pro（公开集） | 57.7% | 56.8% | 55.6% |
| OSWorld-Verified | 75.0% | 74.0%* | 47.3% |
| Toolathlon | 54.6% | 51.9% | 46.3% |
| BrowseComp | 82.7% | 77.3% | 65.8% |
*此前报告为 64.7%。GPT‑5.3‑Codex 在使用新引入的、可保留原始图像分辨率的 API 参数后，达到 74.0%。
知识工作
在 GPT‑5.2 通用推理能力的基础上，GPT‑5.4 在对专业人士至关重要的真实任务上，交付的结果更加稳定、精良。
GDPval 测试智能体完成界定清晰的知识工作的能力，涵盖 44 个职业。在该基准上，GPT‑5.4 取得了新的最先进水平，在 83.0% 的对比中达到或超过行业专业人士，而 GPT‑5.2 为 70.9%。
在 GDPval 中，模型要完成界定清晰的知识工作，涵盖对美国 GDP 贡献最大的 9 个行业中的 44 个职业。任务要求产出真实的工作成果，例如销售演示文稿、会计电子表格、紧急护理排班表、制造图纸或短视频。GPT‑5.4 的推理强度设为 xhigh，GPT‑5.2 设为 heavy（在 ChatGPT 中略低一档）。
“GPT-5.4 是我们试过的最好的模型。它现在位居我们 APEX-Agents 基准测试排行榜首位，该基准衡量模型在专业服务工作上的表现。它擅长创建幻灯片、财务模型和法律分析等长周期交付物，性能顶尖，同时运行速度比竞争性前沿模型更快、成本更低。”
——Brendan Foody，Mercor 首席执行官
我们特别着力提升 GPT‑5.4 创建和编辑电子表格、演示文稿和文档的能力。在一项内部基准测试中，任务是初级投资银行分析师可能做的电子表格建模，GPT‑5.4 的平均得分为 87.3%，GPT‑5.2 为 68.4%。在一组演示文稿评估提示词上，人类评审者有 68.0% 的时候更喜欢 GPT‑5.4 生成的演示文稿，而非 GPT‑5.2 的，原因是前者美感更强、视觉更丰富，并且更有效地利用了图像生成。
你可以在 ChatGPT 中使用 GPT‑5.4 Thinking 或 Pro 来体验这些能力。如果你是 Enterprise 客户，我们建议使用今天同步发布的 ChatGPT for Excel 插件。我们还更新了 Codex 和 API 中提供的电子表格和演示文稿技能。
为了让 GPT‑5.4 在真实工作中表现更好，我们继续推进降低幻觉和错误的工作。GPT‑5.4 是我们迄今最符合事实的模型：在一组用户标记过事实错误的去标识化提示词上，相较于 GPT‑5.2，GPT‑5.4 的单条论断为假的可能性降低 33%，完整回答包含任何错误的可能性降低 18%。
“GPT-5.4 为文档密集型法律工作树立了新标杆。在我们的 BigLaw Bench 评测中，它得分 91%。与其他模型相比，GPT-5.4 目前更擅长组织复杂的交易分析、在冗长合同中保持准确，并提供法律从业者所需的高度细节。”
——Niko Grupen，Harvey 应用研究负责人
计算机使用与视觉
GPT‑5.4 是我们首个具备原生计算机使用能力的通用模型，对开发者和智能体来说都是重大进步。对于构建智能体、要跨网站和软件系统完成真实任务的开发者，它是目前最好的可用模型。
我们将 GPT‑5.4 设计为能在各种计算机使用负载下保持出色表现。它既擅长通过 Playwright 等库编写代码来操作计算机，也擅长根据截图发出鼠标和键盘指令。它的行为可以通过开发者消息来引导，开发者因此可以调整行为以适应特定用例。开发者甚至可以通过指定自定义确认策略，配置模型的安全行为，以适应不同的风险容忍度。
模型的性能和灵活性体现在各类测试不同场景下计算机使用能力的基准测试中。OSWorld-Verified 衡量模型通过截图和键盘/鼠标操作在桌面环境中导航的能力，GPT‑5.4 在其上取得了业界领先的 75.0% 成功率，远超 GPT‑5.2 的 47.3%，也超过了人类的 72.4%。1
WebArena-Verified 测试浏览器使用能力，GPT‑5.4 在同时使用 DOM 和截图驱动的交互时取得领先的 67.3% 成功率，GPT‑5.2 为 65.4%。Online-Mind2Web 同样测试浏览器使用能力，GPT‑5.4 仅使用基于截图的观察就取得 92.8% 的成功率，高于 ChatGPT Atlas 智能体模式的 70.9%。
工具让步（tool yield）是指助手让出控制权以等待工具响应。如果并行调用 3 个工具，随后又并行调用 3 个工具，则让步次数为 2。工具让步比工具调用次数更能代表延迟，因为它反映了并行化带来的收益。
GPT‑5.4 解读浏览器界面的截图，并通过基于坐标的点击与界面元素交互，发送电子邮件并安排日历事件。视频未加速。
GPT‑5.4 计算机使用能力的提升，建立在模型通用视觉感知能力提升的基础上。MMMU-Pro 测试模型的视觉理解和推理能力，GPT‑5.4 在不使用工具的情况下取得 81.2% 的成功率，高于 GPT‑5.2 的 79.5%。视觉感知的改进也带来更好的文档解析能力。在 OmniDocBench 上，GPT‑5.4 在不启用推理强度的情况下，平均误差（以模型预测与真值之间的归一化编辑距离衡量）为 0.109，优于 GPT‑5.2 的 0.140。
MMMUPro 运行时推理强度设为 xhigh。OmniDocBench 运行时推理强度设为 none，以反映低成本、低延迟下的表现。
我们还改进了对需要完整保真度的密集高分辨率图像的视觉理解。从 GPT‑5.4 开始，我们引入 original 图像输入细节级别，支持最高 1024 万总像素或最大边长 6000 像素（取较小者）的完整保真感知；high 图像输入细节级别现在支持最高 256 万总像素或最大边长 2048 像素。在与 API 用户的早期测试中，我们观察到使用 original 或 high 细节级别时，定位能力、图像理解和点击准确率都有明显提升。
“在我们对约 3 万个 HOA 和房产税门户网站进行的计算机使用性能评估中，GPT-5.4 首次尝试的成功率为 95%，三次尝试内达到 100%，而此前的 CUA 模型约为 73–79%。它完成会话的速度还快了约 3 倍，同时少用约 70% 的 token，大幅提升了规模化场景下的可靠性和成本效率。”
——Dod Fraser，Mainstay 首席执行官
在 API 中，开发者可以通过更新后的 computer 工具使用这些能力。推荐的最佳实践请参阅我们的更新文档。
编码
GPT‑5.4 将 GPT‑5.3‑Codex 的编码优势与领先的知识工作和计算机使用能力结合起来，这在耗时较长的任务上最为重要：模型可以使用工具、反复迭代，并在更少人工干预下把工作推得更远。它在 SWE-Bench Pro 上持平或优于 GPT‑5.3‑Codex，同时在各推理强度下延迟更低。
我们通过观察模型的生产环境行为并在离线环境中模拟来估算延迟。延迟估算考虑了工具调用时长（代码执行时间）、采样 token 和输入 token。真实世界的延迟可能差异很大，并取决于许多未被我们的模拟涵盖的因素。推理强度从 none 一直扫描到 xhigh。
开启后，Codex 中的 /fast 模式可让 GPT‑5.4 的 token 速度最高提升 1.5 倍。模型相同，智能水平相同，只是更快。这意味着用户在编码任务、迭代和调试时可以保持心流。开发者也可以通过优先处理（priority processing）在 API 中以同样的快速度访问 GPT‑5.4。
在评估和内部测试中，我们发现 GPT‑5.4 擅长复杂的前端任务，其结果在美观度和功能性上都明显优于我们此前发布的任何模型。
为了展示模型改进后的计算机使用与编码能力协同工作的效果，我们还发布了一个名为“Playwright (Interactive)”的实验性 Codex 技能。它让 Codex 能够对 Web 和 Electron 应用进行可视化调试，甚至可以在构建应用的同时测试它。
这是用 GPT‑5.4 根据一条简略的提示词制作的主题公园模拟游戏，使用 Playwright Interactive 进行浏览器试玩测试，并用图像生成制作等距视角的素材集。该模拟包含基于方格的道路铺设、游乐设施和景观建造、游客寻路、排队和游乐设施运行周期，而资金、游客数量、满意度、清洁度和评分等园区指标，则会根据布局的表现和游客的反应上升或下降。Playwright 被用来自动化浏览器试玩测试：建造并扩建园区，放置和移除道路与景点，检查镜头导航，并在多轮游玩中验证游客、队列、设施状态和界面指标是否正确更新。
Prompt:``Use $playwright-interactive and $imagegen. Create an interactive isometric theme park simulation game that I can build and navigate in the browser. Use imagegen to establish the overall visual vision and generate the game’s assets, including rides, paths, terrain, trees, water, food stalls, decorations, buildings, icons, and UI illustrations. The world should feel cohesive, polished, and visually rich, with a premium art direction that works well from an isometric perspective. Let me place and remove paths, add attractions, position scenery, and move around the park smoothly while monitoring guest activity, ride status, and park growth. Include believable guest movement, simple park management systems like money, cleanliness, queueing, and happiness, and make the experience feel playful, clear, and complete rather than like a rough prototype. Prioritize charm, readability, and strong game feel over realism.
When play testing, be sure to build and expand a park through several rounds of play, verify that placement and navigation work smoothly, confirm that guests react to the park layout and attractions, and ensure the visuals, UI, and interactions feel stable and cohesive.
“GPT-5.4 目前在我们的内部基准测试中排名第一。我们的工程师觉得它比以前的模型更自然、更果断。它处理模糊问题时不会自我怀疑，还会主动并行化工作以保持进度。”
——Lee Robinson，Cursor 开发者教育副总裁
工具使用
借助 GPT‑5.4，我们显著改进了模型使用外部工具的方式。智能体现在可以在更大的工具生态中运行，更可靠地选择合适的工具，并以更低的成本和延迟完成多步骤工作流。
工具搜索
在 API 中，GPT‑5.4 引入了工具搜索（tool search），使模型在面对大量工具时也能高效工作。
以前，当给模型提供工具时，所有工具定义都会预先放入提示词。对于工具众多的系统，这会让每次请求增加数千甚至数万个 token，推高成本、拖慢响应，还会让模型可能永远用不到的信息挤占上下文。
有了工具搜索，GPT‑5.4 改为接收一份轻量的可用工具列表，以及一项工具搜索能力。当模型需要使用某个工具时，可以在那一刻查找该工具的定义并将其追加到对话中。
这种方式大幅减少了工具密集型工作流所需的 token 数量，并保留缓存，让请求更快、更便宜。它还使智能体能够可靠地使用大得多的工具生态。对于可能包含数万 token 工具定义的 MCP 服务器，效率提升可能相当可观。
为了展示效率提升，我们在 Scale 的 MCP Atlas 基准测试中评估了 250 个任务，并启用全部 36 个 MCP 服务器，分为两种模式：(1) 将每个 MCP 函数直接暴露在模型上下文中；(2) 将所有 MCP 服务器置于工具搜索之后。工具搜索配置在达到相同准确率的同时，将总 token 用量减少了 47%。
示例 token 数量来自对 MCP-Atlas 公开数据集中 250 个任务取平均。
智能体式工具调用
GPT‑5.4 还改进了工具调用，在推理过程中决定何时以及如何使用工具时更准确、更高效，尤其是在 API 中。与 GPT‑5.2 相比，它在 Toolathlon 上用更少的轮次取得了更高的准确率。Toolathlon 是一项测试 AI 智能体使用真实世界工具和 API 完成多步骤任务能力的基准测试。例如，智能体需要读取电子邮件、提取作业附件、上传、批改，并把结果记录到电子表格中。
工具让步（tool yield）是指助手让出控制权以等待工具响应。如果并行调用 3 个工具，随后又并行调用 3 个工具，则让步次数为 2。工具让步比工具调用次数更能代表延迟，因为它反映了并行化带来的收益。
对于偏好推理强度为 None 的延迟敏感场景，GPT‑5.4 相比前代进一步提升。
在 τ2-bench 中，模型必须使用工具完成客服任务，其中可能有一个模拟用户，能够沟通并对世界状态采取行动。推理强度设为 None。
改进的网络搜索
GPT‑5.4 在智能体式网络搜索方面表现更好。BrowseComp 衡量 AI 智能体持续浏览网络以查找难以找到的信息的能力，GPT‑5.4 比 GPT‑5.2 提升了 17%abs，GPT‑5.4 Pro 则以 89.3% 创下新的最先进水平。
在实践中，这意味着 GPT‑5.4 Thinking 更擅长回答需要汇集网络上多个来源信息的问题。它能更持久地进行多轮搜索，找出最相关的来源，尤其是面对“大海捞针”式问题，并把这些信息综合成清晰、论证充分的答案。
在 BrowseComp 中，我们使用了搜索黑名单，排除包含基准答案的网站，以防止污染并确保公平衡量性能。GPT‑5.4 的测量时间晚于 GPT‑5.2，因此得分反映的是模型、我们的搜索系统以及互联网状态的变化。GPT‑5.4 使用了更长的更新版黑名单进行测试。模型使用的是 ChatGPT 搜索工具，其结果与 API 搜索可能存在细微差异。
“GPT-5.4 xhigh 是多步骤工具使用的新标杆。Zapier 运行着业内一些最严格的工具使用基准测试，在数百个高级真实工作流上测试模型。以前的模型放弃的地方，GPT-5.4 把活干完了——这是迄今最有韧性的模型。”
——Wade，Zapier 首席执行官
可引导性
与 Codex 开始工作时会先概述思路类似，ChatGPT 中的 GPT‑5.4 Thinking 现在会针对较长、较复杂的查询，先用一段前言概述其工作。你也可以在回答过程中添加指令或调整方向。这让你更容易把模型引向想要的确切结果，而无需重新开始或多出好几轮对话。该功能现已在 chatgpt.com 和 Android 应用上提供，iOS 应用即将推出。
模型还可以在困难任务上思考更久，同时对对话中先前步骤保持更强的感知。这使它能够处理更长的工作流和更复杂的提示词，并在全程保持回答连贯且切题。
此视频为便于演示已加速播放。
安全
过去几个月里，我们在为 GPT‑5.4 的部署做准备的同时，持续改进了随 GPT‑5.3‑Codex 一同推出的安全防护措施。与 GPT‑5.3‑Codex 类似，我们依据准备度框架（Preparedness Framework）将 GPT‑5.4 视为具备“高”级别网络安全能力的模型，并按照系统卡中记载的对应防护措施进行部署。这些措施包括一套扩展的网络安全防护体系：监控系统、受信任访问控制，以及针对零数据留存（Zero Data Retention，ZDR）场景下客户的较高风险请求的异步拦截，同时我们还在持续投入更广泛的安全生态建设。
由于网络安全能力本质上具有双重用途，我们在部署上保持审慎，同时继续校准我们的策略和分类器。对于 ZDR 场景下的部分客户，请求级拦截仍是我们网络风险缓解体系的一部分；由于分类器仍在改进，在我们继续完善这些防护措施的过程中，可能会出现一些误报。这些更新旨在改善防护措施在实际中的运作方式，包括减少不必要的拒答和过度附加免责说明的回复，同时保持对滥用行为的强力防护。
我们继续开展思维链（Chain-of-Thought，CoT）可监控性方面的安全研究，以更好地理解模型如何推理，并帮助发现潜在的不当行为。作为这项工作的一部分，我们推出了一项新的开源评测——CoT 可控性，用来衡量模型能否刻意模糊自己的推理过程以规避监控。我们发现，GPT‑5.4 Thinking 控制其 CoT 的能力很低，这对安全而言是积极的特性，表明该模型不具备隐藏自身推理的能力，CoT 监控仍然是有效的安全工具。
可用性与定价
GPT‑5.4 今天起在 ChatGPT 和 Codex 中逐步推出。在 API 中，GPT‑5.4 现已作为 gpt-5.4 提供。对于需要在最复杂任务上获得最高性能的开发者，GPT‑5.4 Pro 也已在 API 中作为 gpt-5.4-pro 提供。
在 ChatGPT 中，GPT‑5.4 Thinking 从今天起面向 ChatGPT Plus、Team 和 Pro 用户开放，取代 GPT‑5.2 Thinking。GPT‑5.2 Thinking 将在模型选择器的“旧版模型”（Legacy Models）部分继续向付费用户提供三个月，之后将于 2026 年 6 月 5 日下线。Enterprise 和 Edu 方案的用户可通过管理员设置启用抢先体验。GPT‑5.4 Pro 面向 Pro 和 Enterprise 方案开放。ChatGPT 中 GPT‑5.4 Thinking 的上下文窗口与 GPT‑5.2 Thinking 保持不变。
GPT‑5.4 是我们第一个融合了 GPT‑5.3‑codex 前沿编码能力的主线推理模型，并将在 ChatGPT、API 和 Codex 中推出。我们称它为 GPT‑5.4，正是为了体现这一跃升，同时简化在 Codex 中使用时的模型选择。随着时间推移，你可以预期我们的 Instant 模型和 Thinking 模型将以不同的速度演进。
Codex 中的 GPT‑5.4 对 100 万（1M）上下文窗口提供实验性支持。开发者可以通过配置 model_context_window 和 model_auto_compact_token_limit 来试用。超出标准 272K 上下文窗口的请求，将按正常速率的 2 倍计入用量限额。
在 API 中，GPT‑5.4 的每 token 价格高于 GPT‑5.2，以反映其提升后的能力；同时，其更高的 token 效率有助于减少许多任务所需的 token 总量。Batch 和 Flex 定价为标准 API 费率的一半，而 Priority 处理的费率为标准 API 费率的两倍。
| API 模型 | 输入价格 | 缓存输入价格 | 输出价格 |
|---|---|---|---|
| gpt-5.2 | $1.75 / 百万 token | $0.175 / 百万 token | $14 / 百万 token |
| gpt-5.4 | $2.50 / 百万 token | $0.25 / 百万 token | $15 / 百万 token |
| gpt-5.2-pro | $21 / 百万 token | - | $168 / 百万 token |
| gpt-5.4-pro | $30 / 百万 token | - | $180 / 百万 token |
评测
专业工作
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| GDPval | 83.0% | 82.0% | 70.9% | 70.9% | 74.1% |
| FinanceAgent v1.1 | 56.0% | 61.5% | 54.0% | 59.5% | — |
| 投资银行建模任务（内部） | 87.3% | 83.6% | 79.3% | 68.4% | 71.7% |
| OfficeQA | 68.1% | — | 65.1% | 63.1% | — |
编码
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| SWE-Bench Pro（公开集） | 57.7% | — | 56.8% | 55.6% | — |
| Terminal-Bench 2.0 | 75.1% | — | 77.3% | 62.2% | — |
计算机使用与视觉
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| OSWorld-Verified | 75.0% | — | 74.0% | 47.3% | — |
| MMMU Pro（无工具） | 81.2% | — | — | 79.5% | — |
| MMMU Pro（使用工具） | 82.1% | — | — | 80.4% | — |
工具使用
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| BrowseComp | 82.7% | 89.3% | 77.3% | 65.8% | 77.9% |
| MCP Atlas | 67.2% | — | — | 60.6% | — |
| Toolathlon | 54.6% | — | 51.9% | 45.7% | — |
| Tau2-bench Telecom | 98.9% | — | — | 98.7% | — |
学术
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| Frontier Science Research | 33.0% | 36.7% | — | 25.2% | — |
| FrontierMath Tier 1–3 | 47.6% | 50.0% | — | 40.7% | — |
| FrontierMath Tier 4 | 27.1% | 38.0% | — | 18.8% | 31.3% |
| GPQA Diamond | 92.8% | 94.4% | 92.6% | 92.4% | 93.2% |
| Humanity's Last Exam（无工具） | 39.8% | 42.7% | — | 34.5% | 36.6% |
| Humanity's Last Exam（使用工具） | 52.1% | 58.7% | — | 45.5% | 50.0% |
长上下文
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| Graphwalks BFS 0K–128K | 93.0% | — | — | 94.0% | — |
| Graphwalks BFS 256K–1M | 21.4% | — | — | — | — |
| Graphwalks parents 0–128K（准确率） | 89.8% | — | — | 89.0% | — |
| Graphwalks parents 256K–1M（准确率） | 32.4% | — | — | — | — |
| OpenAI MRCR v2 8-needle 4K–8K | 97.3% | — | — | 98.2% | — |
| OpenAI MRCR v2 8-needle 8K–16K | 91.4% | — | — | 89.3% | — |
| OpenAI MRCR v2 8-needle 16K–32K | 97.2% | — | — | 95.3% | — |
| OpenAI MRCR v2 8-needle 32K–64K | 90.5% | — | — | 92.0% | — |
| OpenAI MRCR v2 8-needle 64K–128K | 86.0% | — | — | 85.6% | — |
| OpenAI MRCR v2 8-needle 128K–256K | 79.3% | — | — | 77.0% | — |
| OpenAI MRCR v2 8-needle 256K–512K | 57.5% | — | — | — | — |
| OpenAI MRCR v2 8-needle 512K–1M | 36.6% | — | — | — | — |
抽象推理
| 评测 | GPT‑5.4 | GPT‑5.4 Pro |
GPT‑5.3-Codex | GPT‑5.2 | GPT‑5.2 Pro |
|---|---|---|---|---|---|
| ARC-AGI-1（Verified） | 93.7% | 94.5% | — | 86.2% | 90.5% |
| ARC-AGI-2（Verified） | 73.3% | 83.3% | — | 52.9% | 54.2%（high） |
不使用推理的评测
| 评测 | GPT‑5.4 （none） |
GPT‑5.2 （none） |
GPT‑4.1 |
|---|---|---|---|
| OmniDocBench（归一化编辑距离） | 0.109 | 0.140 | — |
| Tau2-bench Telecom | 64.3% | 57.2% | 43.6% |
除特别说明外，评测均在推理强度设为 xhigh 的条件下运行。基准测试在研究环境中进行，在某些情况下，其输出可能与生产环境中的 ChatGPT 略有差异。