夜雨聆风公众号：AIGC 生活实验室
简介：探索 AI 如何改变工作与生活
作者：皮皮鲁呀鲁西西
2026 年 3 月 5 日，OpenAI 发布了 GPT-5.4。
这次发布有个数据挺意外的：在 OSWorld-Verified 基准测试里，GPT-5.4 操作电脑的成功率达到 75%，而人类平均水平是 72.4%。这是 AI 首次在真实桌面环境操作中超越人类。
但翻了一圈社区反馈，发现实际使用中的问题远比官方数据复杂。
1. 三个版本
GPT-5.4 这次发布了三个版本，定位完全不同。
GPT-5.4 标准版：面向日常专业工作，API 定价是输入 $2.50/百万 Token，输出 $15/百万 Token。这个价格大约是 Claude Opus 4.6（$5/$25）的一半，性价比不错。ChatGPT Plus 用户（$20/月）可以直接用。
GPT-5.4 Thinking：深度分析与推理版本，最大的亮点是可以在模型思考过程中介入调整方向。Medium 上有用户评价说：不用等它跑完再重新来，可以在思考过程中直接纠正方向。这对复杂任务的效率提升很明显。
GPT-5.4 Pro：高性能企业级版本，适合复杂任务。但这个版本有个坑 - 凤凰网上有用户吐槽：我只是发了一句 Hi，它就认真推理了 5 分钟，直接烧掉 80 美元。日常轻量任务根本不敢用 Pro 版。
说实话，选哪个版本得看具体场景。日常任务用标准版就够了，复杂任务再切换 Pro 版，不然成本会失控。
2. Computer Use：首次超越人类的 AI
GPT-5.4 最大的技术突破是原生计算机使用能力（Computer Use）。
这不是简单的聊天升级，而是首个能直接操控电脑、跨软件执行工作流的 AI Agent。技术原理是通过屏幕截图理解界面，生成鼠标点击和键盘输入指令。它有两种操作方式：一种是通过 Playwright 等库编写代码操作计算机，另一种是直接从屏幕截图发出鼠标和键盘命令。
性能数据确实亮眼：
有用户实测后评价：GPT-5.4 在 OSWorld-Verified 基准测试里，它操作电脑的成功率达到 75%，连人类平均水平的 72.4% 都被它超了。
但实际使用中问题不少。
NiceKate AI 的实测视频里提到：Computer Use 功能在实际使用中还不够稳定，UI 自适应有问题，有时会把不该出现的提示语直接写进页面。图像理解能力还需要追赶 Gemini。
跨软件操作时 UI 自适应不稳定，可能生成错误指令。所以在关键任务中，还是得增加人工验证环节，不要完全依赖自动化。
3. 百万上下文的真相
GPT-5.4 支持 105 万 Token 的上下文窗口，这是 OpenAI 迄今最大的。
听起来很美，但有个关键细节：272K tokens 是定价分界点。
更关键的是性能问题。API 易技术博客的测试数据显示：
知乎上有用户评价：百万上下文听起来很美，但超过 272K 后价格翻倍，而且准确率在 512K 以上会骤降至 36%。能用不等于好用，实际最佳区间只有 127K-272K。
所以实际使用时，控制在 127K-272K 区间是性价比最优的选择。超过这个范围，要么价格翻倍，要么准确率骤降，都不划算。
4. 社区反馈汇总
基于社区反馈和实测数据，整理了几个典型场景的使用感受。
代码重构和大型项目分析
百万上下文窗口让开发者可以一次性处理整个代码库，不再需要分段处理。知乎上有开发者评价：GPT-5.4 的百万上下文窗口让我可以一次性处理整个代码库，不再需要分段处理。这对大型项目的重构和分析太有用了。
在电子表格建模任务中，GPT-5.4 的得分从 68.4% 提升至 87.3%。爱范儿的评测数据显示：GPT-5.4 在 GDPval 测试中取得 83% 的胜率，意味着十次对比中有八次以上，行业专业人士认为 AI 的产出达到或超过了人类同行水准。
这个提升是质的飞跃。
跨软件自动化工作流
从 Excel 提取数据、生成 PPT、发送邮件，GPT-5.4 通过 Computer Use 可以跨软件执行完整流程。官方演示的 OSWorld-Verified 测试成功率是 75%，超越人类 72.4%。
但实际使用中，UI 自适应问题会导致操作失败。所以在关键任务中，还是得增加人工验证环节。
Tool Search 功能的成本优势
Tool Search 功能让 Token 使用减少了 47%。DEV Community 上有开发者评价：Tool Search 功能让 Token 使用减少了 47%，这对我们这种高频调用 API 的团队来说，成本直接降了一半。
这个功能的技术原理是：模型接收轻量级工具列表，按需查找完整工具定义，避免在每次请求中加载所有工具定义。在工具密集型工作流中，效率提升很明显。
推理能力的过度思考问题
GPT-5.4 的推理能力确实更强了，但有时候会过度思考。DEV Community 上有用户反馈：GPT-5.4 的推理能力确实更强了，但有时候会过度思考。简单任务也要推理很久，反而降低了效率。需要手动调整 reasoning effort。
GPT-5.4 提供了四种推理模式：
简单任务用 none 或 low 模式就够了，不然会浪费时间和成本。
5. 三个必须知道的坑
坑 1：GPT-5.4 Pro 的成本失控
Pro 版会对简单任务进行深度推理，导致成本暴涨。凤凰网上有用户反馈：GPT-5.4 Pro 太贵了！我只是发了一句 Hi，它就认真推理了 5 分钟，直接烧掉 80 美元。
解决方案：日常任务使用标准版，只在复杂任务时切换 Pro 版。
坑 2：百万上下文的性能陷阱
超过 272K 后价格翻倍，512K 以上准确率骤降至 36%。API 易技术博客的测试数据显示：虽然支持 105 万 Token，但超过 272K 后价格翻倍，512K 以上准确率骤降至 36%。
解决方案：控制在 127K-272K 区间使用，这是性价比最优区间。
坑 3：Computer Use 的 UI 适配问题
跨软件操作时 UI 自适应不稳定，可能生成错误指令。NiceKate AI 的实测视频里提到：Computer Use 功能在实际使用中还不够稳定，UI 自适应有问题，有时会把不该出现的提示语直接写进页面。
解决方案：在关键任务中增加人工验证环节，不要完全依赖自动化。
6. 值得关注的争议
OpenAI 与美国国防部的合作引发了不少争议。
Gizmodo 的报道指出：OpenAI 和美国国防部的合作让很多用户流失，Anthropic 拒绝了国防部合同反而被列为供应链风险。这种政治因素影响了用户对 GPT-5.4 的信任。
另一个争议是：GPT-5.4 是否真的超越了人类专家？
正方观点：OSWorld-Verified 测试中 GPT-5.4 达到 75%，超越人类 72.4%，这是客观数据。
反方观点：基准测试不等于真实工作场景，83% 的 GDPval 胜率是在特定任务下的表现，不代表全面超越。DEV Community 上有用户质疑：基准测试不等于真实工作场景，83% 的 GDPval 胜率是在特定任务下的表现，不代表全面超越。
说实话，这个争议短期内不会有定论。但从实际使用来看，GPT-5.4 在专业工作能力上确实有质的提升。
7. 适合谁？不适合谁？
强烈推荐：
谨慎使用：
写在最后
GPT-5.4 的发布标志着 AI 从辅助工具到数字员工的转变。
首次在计算机操作任务上超越人类，这个突破的意义不仅仅是数字上的领先，而是 AI 开始具备真正的执行能力。但实际使用中的成本陷阱、性能边界、UI 适配问题，远比官方数据复杂。
如果这篇文章帮到了你，点个在看👀吧，下次再见
AIGC 生活实验室
📮 投稿/合作：egretss.bai.it@gmail.com
💬 交流群：回复加群
✍️ 作者：皮皮鲁呀鲁西西
🚀 关注我，一起探索技术的更多可能