GPT-5.4重磅更新:引入原生计算机操作能力与性能全面升级
GPT-5.4 正式发布,此次更新引入了原生计算机操作能力,标志着大模型从单一的内容生成向智能体交互转型。新模型通过集成 Playwright 代码操纵浏览器,能够精准识别界面元素并控制鼠标键盘,实现跨应用的复杂任务自动化。除此之外,GPT-5.4 在上下文窗口、推理速度及多模态理解能力上均有显著提升,但在代码能力领域仍面临竞品的强劲挑战。
01原生计算机操作能力
GPT-5.4 最大的技术突破在于将计算机操作能力直接集成至大模型本体。这一功能不再依赖外部 API 或插件,而是通过模型内部生成的 Playwright 代码直接操纵浏览器。其核心运作机制基于视觉感知与执行反馈的闭环:模型首先对当前屏幕截图进行分析与标注,识别出可交互的 UI 元素(如按钮、输入框),随后计算像素坐标以精准定位鼠标位置,最后执行点击、输入等操作,从而完成从识别到动作的全流程自动化。
- 跨应用交互
能够打破单一应用限制,实现跨软件的复杂任务流转,例如从网页抓取数据并自动生成邮件发送。 - 视觉像素理解
支持数学级别的像素理解,能够精准定位鼠标位置并操作微小的界面控件。 - 原生集成
类似 Browser use、Manus 等工具的能力现已内化为模型原生功能,无需额外配置即可使用。
02性能提升与架构优化
除了操作能力的突破,GPT-5.4 在底层架构与处理效率上也进行了全面升级。新模型采用了 MoE(混合专家)架构,引入稀疏注意力和线性注意力机制,有效优化了时间复杂度,结合旋转位置编码与缓存优化,实现了高效的长上下文处理。
- 上下文窗口扩展
支持 100 万 token 的超长上下文,可处理整本书籍或大型代码库级别的文档。 - 推理速度提升
训练效率提升约 2 倍,推理速度在 fast 模式下提升 1.8 倍,显著降低算力消耗。 - 多模态能力增强
图像、PDF 处理效果更美观,电子表格、文档及 PPT 的生成质量显著提高。 - 内置智能工具搜索
无需依赖外部 Web 搜索 API,内置工具搜索能力提升了任务完成的自动化效率。
03基准测试与行业对比
| 评估维度 | GPT-5.4 表现 | 行业对比 |
|---|---|---|
| GDPval (行业知识) | 83% | 多列第一 |
| OSWorld (计算机操作) | 超越人类平均水平 (72%) | 首次超越人类基线 |
| BrowseComp (Agent能力) | 显著提升 | 优势明显 |
| 代码能力 | 表现较强 | 弱于 Claude OPS4.6 |
| Arena 竞技场排名 | 第六名 | 落后于 Claude 等模型 |
GPT-5.4 关键基准测试数据概览
在行业生态中,GPT-5.4 定位为“全科医生”,覆盖多领域通用任务;而 Claude 则被视为“专科医生”,在代码重构和编写领域保持绝对领先。国产模型如豆包、千问等目前处于第二梯队。GPT-54 的应用场景已扩展至自动化办公(资料搜集、分析、报告生成及邮件发送)以及生成交互式游戏(如主题公园模拟)等跨应用复杂任务处理。
- 1GPT-5.4
- 2Claude OPS4.6
- 3豆包
- 4千问
04定价与成本分析
随着性能提升,GPT-5.4 的定价策略也进行了调整。其 API 价格相比 GPT-5.2 上调 40%,达到每百万 token 180 美元。这一价格引发了对性价比的讨论,特别是对于简单问题,模型可能因过度思考而产生不必要的算力消耗,导致成本上升。用户需在强大的自动化能力与高昂的使用成本之间进行权衡。
当前文章无评论,是时候发表评论了