GPT-5.4
OpenAI· 2026-03-05 上线
综合第 24 名
52.5
编程
53.9第 18 名
科研
56.6第 23 名
专业办公
45.4第 31 名
知识问答
51.6第 34 名
- 评测覆盖
- 19 / 25 项 · 76%
- 缓存输入
- ¥1.68
- 输入
- ¥16.81
- 输出
- ¥100.88
价格：人民币 / 百万 Token。
编程
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SWE-bench Verified | 76.9% | 53.2 | high | 22 |
| Terminal-Bench | 81.8% | 64.3 | 未注明 | 29 |
| DeepSWE | 51.8% | 46.6 | xhigh | 26 |
| WebDev Arena | 1,463 | 49.0 | high | 96 |
| ALE-Bench | 1,607 | 58.7 | high | 88 |
| WeirdML | 77.7% | 60.1 | xhigh | 60 |
| GSO | 31.4% | 45.4 | xhigh | 16 |
科研
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| FrontierMath（1–3 级） | 78.6% | 58.1 | xhigh | 66 |
| FrontierMath（4 级） | 49.0% | 52.7 | xhigh | 57 |
| CritPt | 23.4% | 60.6 | xhigh | 101 |
| ProofBench | 56.0% | 54.5 | xhigh | 77 |
| OTIS Mock AIME | 97.8% | 55.2 | high | 87 |
| SciCode | 56.6% | 58.6 | xhigh | 97 |
专业办公
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| APEX-Agents | 52.4% | 51.5 | 未注明 | 49 |
| Vending-Bench 2 | $6,144 | 51.4 | 未注明 | 55 |
| DeepResearch Bench | 35.1% | 33.4 | low | 14 |
知识问答
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SimpleQA Verified | 45.1% | 49.4 | xhigh | 65 |
| GPQA Diamond | 93.3% | 55.1 | xhigh | 84 |
| Humanity's Last Exam | 36.2% | 50.5 | xhigh | 17 |
仅展示（不计分）
这些评测测的能力不在四个领域里，或者我们还没把握归到哪个领域。
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| ARC-AGI-2 | 74.0% | 不计分 | xhigh | 52 |
| ARC-AGI | 93.7% | 不计分 | xhigh | 52 |
| 国际象棋谜题 | 48.0% | 不计分 | xhigh | 88 |
| METR 任务时长 | 74.3% | 不计分 | xhigh | 10 |
原始成绩取这个模型各个推理档位（high、未注明、xhigh、medium、none、low）和各种评测配置里最好的一次；标准分 = 50 + 10 × （成绩 − 平均）÷ 标准差，在近 12 个月上线的模型里比较。「不计分」是这项评测有成绩的模型太少或不在计分范围。 数据 10月16日 06:10 更新。