OpenAI深夜突袭发布GPT-5.4，标志着AI进化史迎来关键拐点：从“最强问答者”正式跃迁为“原生电脑操控者”。此次升级的核心不在于学术基准的微小提升，而在于模型首次具备了看屏幕、点鼠标、敲键盘的全链路执行能力，在OSWorld等桌面操作测试中甚至超越了人类平均水平。

OpenAI深夜突袭，GPT-5.4正式登场。

和以往升级不同，这一次最引人注目的不是某个benchmark的小幅提升，而是一个关键能力的出现：

GPT-5.4成为OpenAI首个原生支持“电脑操控”的通用模型。

这意味着，AI会看屏幕、会点鼠标、会敲键盘，它正在从“最强回答器”加速进化成“真正能干活的数字员工”。

对企业来说，这是工作流自动化的又一次跃迁。

对打工人来说，更直接的问题只有一个：AI这次真的开始碰电脑了。

01 GPT-5.4：能干活的数字员工

OpenAI把GPT-5.4定义为“面向专业工作的最强模型”，并让它取代GPT-5.2 Thinking，成为 ChatGPT里的默认推理模型，同时还推出了更慢、更贵、算力更高的 GPT-5.4 Pro。

和OpenAI自家上一代相比，GPT-5.4的关键词不是“更聪明”，而是“更像一个能干活的执行层”。

从公开数据看，GPT-5.4并没有在所有高难学术基准上对前代形成碾压。

真正拉开差距的是带工具、带环境、带工作流的任务，比如：OSWorld、BrowseComp、GDPval、Office/文档/表格类任务。

在OSWorld-Verified这类桌面操控测试里，GPT-5.4达到75.0%，高于GPT-5.2的47.3%，也略高于人类的72.4%。

再把GPT-5.3放进来，会看得更清楚：GPT-5.3-Codex在Terminal-Bench 2.0这种终端操作基准上做到77.3%，在SWE-Bench Pro做到56.8%；而GPT-5.4在Terminal-Bench 2.0上是75.1%，在SWE-Bench Pro是57.7%。

也就是说，OpenAI这次的优化方向，明显偏向专业场景的完成度。

GPT-5.4不只是比GPT-5.2更强，而是把GPT-5.3里分散出去的聊天、编码、代理能力，也重新收口到了主线旗舰。

有用户在社交媒体Reddit上发帖：“So far it’s more agentic for sure”，表示最直接的感受就是agentic感更强。

还有测试者在社交媒体X上说，拿自己常用benchmark去试，第一感觉是后端编码能力很强，表示“strong at backend coding”。

这表明，OpenAI终于把“会看界面、会点按钮、会写代码、会跨应用完成任务”的能力，从单独工具能力，推进到了主力通用模型层。

对企业来说，这会直接降低模型选型和流程编排的复杂度，自动化流程跑得更流畅了。

对于打工人来说，也不用再那么频繁地在“聊天模型、代码模型、深度推理模型”之间切来切去，工作流会更顺。

02 直逼竞争对手，综合完成度最高

如果把目前市面上最能打的大模型放在一起，GPT-5.4的表现如何呢？

第一条线是Anthropic Claude Opus 4.6。

它在agentic coding和computer use上仍然极强，Anthropic官方和第三方给出的成绩是Terminal-Bench 2.0达到65.4%，OSWorld达到 72.7%。

而OpenAI给GPT-5.4的公开成绩是Terminal-Bench 2.0为75.1%，OSWorld-Verified为75.0%。

如果接受双方各自公开结果，GPT-5.4目前在“终端操作+桌面操作”这组指标上略占上风。

虽然两家在得分上不相上下，但OpenAI正在往Anthropic擅长的Agent区域逼近，甚至开始反超，对于Anthropic来说是一个非常危险的信号。

第二条线是Google Gemini 3。

Google官方主打的是学术推理、长上下文、多模态和agentic coding。Gemini 3 Pro在一些整理表里，GPQA Diamond在91.9%左右，Humanity’s Last Exam（无工具）在37%–38%左右。

对比来看，GPT-5.4在GPQA 92.8%、HLE无工具约39.8%，在“普通旗舰模型”层面大致已经压过Gemini 3 Pro。但GPT-5.4最鲜明的优势并不是“考试分数碾压”，而是把专业工作、工具使用、电脑操控这几件事，做成了一个更完整的组合。

第三条线是 xAI Grok 4/ Grok 4 Heavy。

xAI更强调极限推理和考试型基准，比如在Humanity’s Last Exam上打到50%以上，把它包装成前沿学术推理能力的突破。

这个分数比GPT-5.4常规版在HLE上的40%左右明显高，也高于GPT-5.4 Pro在同一基准上的42%–43%区间。

Grok公布的重点依然是frontier intelligence，而不是“文档、表格、演示文稿、浏览器、桌面界面、工具系统”这一整套专业工作流闭环。

所以Grok更像“高天花板推理机”，GPT-5.4更像“高完成度工作机”。

总的来说，GPT-5.4不一定在每一项“考试题”上都是第一，但它在“把工作做完”这件事上，组合能力是最完整的。

如果企业真正想落地数字员工，GPT-5.4这类“综合完成度”的模型可能是更好的选择。

03 价格涨了，但定价逻辑变了

GPT-5.4虽好，但大家关注的还是它的价格。

GPT-5.4 API标准价，从GPT-5.2的$1.75/百万tokens、输出$14/百万tokens，涨到了$2.50/百万tokens、输出$15/百万tokens。GPT-5.3 Chat和GPT-5.3-Codex的价格暂时未变。

拿现在最流行的OpenClaw来计算，如果是“读一点上下文、调一次工具、给一段几百字总结”这样的轻度任务，一次的成本约为8美分（0.55元人民币）。

假设把OpenClaw当主力Agent 用，比如：连续多轮思考、调多个工具、读文件、再整理输出，一天100次，那么每天的花费约为$22.5（155元人民币），一个月下来可能要四、五千人民币。

总的来说，GPT-5.4更贵了，但相较于GPT-5.2 / 5.3这一代模型，它不只是更强，而是开始变得更像一个真正能接工作流的数字员工

OpenAI的逻辑很清楚，它卖的已经不是更便宜的聊天机器人，而是更贵、也更能干活的生产力机器。只要单位任务完成率、token效率和人工接管次数下降，企业会接受更贵的模型。

对市场来说，真正重要的从来不是发布会上的高分和漂亮口号。GPT-5.4能不能落地，还要看企业试点和真实工作流里的表现。

但至少从这次发布来看，OpenAI已经不满足于做最强聊天模型，而是在押注下一代企业生产力入口。