GPT-5.4 到底变强了多少？三大核心能力+电脑操控Codex上手实测！

上周，GPT-5.4 发了。意图非常明显，直指 Claude Opus4.6 和 Gemini 3.1 Pro。

2 月 5 日，Claude Opus 4.6 发了。2 月 19 日，Gemini 3.1 Pro 发了。OpenAI 被轮流摁了整整一个月。3 月 5 日，GPT-5.4 来了。

我一看成绩，强得没边儿了。

但跑分这个东西，放一起才见真章。我把（省流版）御三家的三款旗舰模型的发布时间、能力、价格放在一起看：

仅从数据上看，编程被 Anthropic 压制，推理被 Google 领跑，价格卡在中间。

整张表里最亮眼的成绩就是，「知识工作」和「原生计算机操控」，也是这次 GPT-5.4 的亮点。

知识工作，可以看 GDPval 的表现。GDPval 跑了 44 种真实职业场景，GPT-5.4 在 83% 的比较里能和行业专业人员持平甚至超越，所以切的企业最容易买单的能力。

原生计算机操控，这是整张表里最亮眼的成绩。

GPT-5.4 是 OpenAI 首个具备原生计算机使用能力的通用模型，也是第一个在桌面自主操作任务上超越人类专家表现的模型。

OSWorld 桌面操控成功率 75%，官方说超过人类平均水平 72.4%。既能写 Playwright 代码来操作电脑，也能直接通过截图发出鼠标键盘指令。

光看数据没意思，得试。

但从 5.1 之后我一怒之下退订了 ChatGPT 后，到现在都没有续回去，这次测试就选择把可信的三方 API，接入 Codex。

既然官方最吹的就是电脑操控，那就先从这开刀。

我先想了个骚操作：让它通过 Codex 启动另一个 Codex，指挥第二个 Codex 去打开浏览器搜东西。Codex 操控 Codex，套娃。

结果，它一冲瞎划了。

它还没敲回车呢，就把后面要搜的内容输进去了，整个命令混成一坨，直接报错。

算了算了，废了。

那就降低难度。让它打开桌面上的 Edge 浏览器，进 OpenAI 的博客页面。这个简单任务倒是顺利完成了，也没调用什么第三方浏览器库，直接操控的系统。

先不做评论，毕竟是 75% 超越人类的计算机操控。

这里插一嘴，Codex 这个壳我其实一直不太习惯，终端味太重，看着也丑。后来按照大佬给的方法，在 cc switch 里把 GPT-5.4 模型配到了 Claude Code 里面。这下界面好看了，但体验还是怪怪的。

怎么说呢，用 Claude Code 跑 Claude 的时候，你说一句它马上理解，然后动手，很流畅。

换成 GPT-5.4 之后，反馈周期明显长一截，它会到关键节点才反馈一次，中间那段时间你就干等着，不知道它在想什么。

算了这些都只是壳。我在意的，还是它到底能不能出活。于是我打开 Codex 终端，上正经任务。

一共三个大任务，覆盖了深度知识工作、高阶编程和调试、电脑操控三个核心维度。

任务一：262 万行数据，10 分钟出报告

请帮我完成以下电脑操作：（1）打开浏览器，访问 data.gov，下载"Consumer Complaint Database"的最新 CSV 数据集；（2）用本地 Python 打开这个文件；（3）进行数据清洗——去重、处理缺失值、标准化日期格式；（4）生成一份包含 5 个图表的分析报告（投诉趋势、公司排名、产品分类、州分布热力图、处理时效分布）；（5）把报告保存为 PDF。全程用电脑操控完成，不要只给我代码。  

这是一个比较复杂的专业数据分析流程。

这次，GPT-5.4 上来就踩坑了。data.gov 官方那个"Download all complaint data"链接，下下来一解压，就一行表头，286 字节。数据呢？

他判断出这个下载链接有问题，于是主动切换到了 CFPB 的官方开放 API，分块把完整数据拉了下来。

我依稀记得，以前的 GPT 遇到这种情况，会硬着头皮处理那个空文件。。自己想到换方案，变聪明了。

最终成绩，262 万多行数据，清洗后保留 262 万多行，跳过 1 条缺失 ID 的坏尾行；缺失值补了 600 多万个；日期全变成 YYYY-MM-DD；5 张图和 6 页 PDF 报告全部出完。

整个过程大约 10 分钟。

还可以。

任务二：2w 行代码

第二个任务，我扔给它一个真实的桌面项目，PySide6 写的，20000 多行，把小说生成、新闻批量处理、AI 编辑器、热榜预览、作品管理等功能全堆在一起。

我让 codex 做三件事：

• 画出完整函数调用关系图、
• 找出性能瓶颈最大的 3 个函数，
• 再顺手判断一下原作者是什么风格的程序员。

Mermaid 调用图它画出来了，从 main.py 入口到各个子模块的信号槽连接，层次还挺清楚的。

性能瓶颈的分析也让我比较服气。它定位到了三个函数，确实都是我为了让系统不崩溃做的超级冗余。

还有作者风格判断，它的结论是，不是那种特别讲究洁癖式分层的基础设施工程师。好像有点马屁，其实没有。。

GPT-5.4 看代码，已经不只是“看函数”，而是开始“看人”了。它能顺着代码，反推出作者的工作方式、取舍习惯、甚至一点点性格倾向。

由此判断，代码能力算是稳的，至少算中层。GPT-5.4 的编程能力配合它的知识工作能力用，是加分项。单独拿出来，没赢面。

任务三：数学建模国赛 C 题

前两个任务，一个偏知识流程，一个偏工程。

第三个任务，我想看它在“高复杂度、长链条、强约束”的场景里，到底能顶到哪。

所以我直接把它拉去做 2024 年数学建模国赛 C 题，54 个地块，7 年规划，41 种作物，要考虑轮作、土地适应性、市场波动、超产滞销，最后还要形成完整论文。

这个任务也最能暴露它的上限。

因为它不是某一个点上难，而是每一步都容易出小错：读题、抽象、建模、写代码、跑优化、生成论文、处理公式、处理文件、处理中文路径，哪一步都能翻。

GPT-5.4 确实搭了个 PuLP 的混合整数线性规划模型，也确实把论文骨架搭出来了：摘要、问题重述、假设、符号说明、建模、求解、结果分析、模型评价，样样不少。

但中间它被 Windows PowerShell 的中文编码狠狠干了几次。中文文件名读不进去，“完整论文.md”写不进去，“附件 1.xlsx”也找不到，LaTeX 公式里的 \right 还被换行吃掉了。它最后是靠把文件名全改成 ASCII，才把流程跑通。

有意思，真正折磨模型的，还真不是 benchmark 上那道最难的题，是现实环境里那些又脏又碎的坑啊！

所以这一项给我的感觉很明确，GPT-5.4 可以把这种大活先搭到 70 分，甚至能把最烦的前半段干掉；但离“直接交卷拿高分”还有距离，中间隔着一堆细节层面的破事。

你要的是一个能跑起来的框架，它可以。你要的是一篇非常漂亮的竞赛论文，还得自己往上抬，至少要自己教它方法、配个 skill。

跑完这三个任务，我对 GPT-5.4 的判断也慢慢清楚了：代码能力很强、人感不错，但操作计算机的能力好像离预期差一点至少套娃还差一点。

至于 5.4pro，网上已经有人开始拿它开涮了。

比如 Daniel Nguyen 发的那个图就很典型：有人问 GPT-5.4 Pro，“How do I install CUDA 12.1 on Ubuntu 24.04?”

它想了 69 分 42 秒，最后回了一句：“You can’t.”

我自己也测了一下 Pro。让它扮演一个 20 年经验的 AI 行业猎头，对 Sam Altman 进行一场“GPT-5.4 产品经理”岗位的压力面试。

它想了 22 分钟 46 秒。

出来的东西说实话有点压力。这个质量，确实不是普通版能给的。你能明显感觉到，Pro 在一些高要求、高压缩、高质量输出的场景里，确实更像“高级脑力劳动者”。但代价嘛...

Pro 版输出 180 美元/百万 token，是 Claude 的 7.2 倍。之前有人对它说了句"Hi"就烧掉 80 美元，我这次一个面试题想了 22 分钟，账单也不敢细看。

所以问题来了。

如果未来两个季度，你只能让 GPT-5.4 在一个维度形成“不可逆的用户心智占领”，你会押哪一个？

A. 长周期 agent 任务完成率B. 高价值知识工作的“可直接签字”输出率C. 跨文档、跨应用、跨工具的上下文连续性D. 单位任务成本

评论区告诉我答案，我挑几个最狠的回答，整理一下，转达给 GPT-5.4 Pro。

你觉得 GPT5.4 的能力到哪了？

文章来自于“夕小瑶科技说”，作者 “丸美小沐”。