跳到主要內容

GPT-5.4 電腦操作能力超越人類：OSWorld 75% 勝過人類 72.4%，百萬 Token 上下文首度開放 | GPT-5.4 Beats Humans at Computer Use: 75% on OSWorld vs 72.4% Human Baseline

By Kit 小克 | AI Tool Observer | 2026-04-14

🇹🇼 GPT-5.4 電腦操作能力超越人類：OSWorld 75% 勝過人類 72.4%，百萬 Token 上下文首度開放

GPT-5.4 是 OpenAI 在 2026 年 3 月 5 日發布的最新旗艦模型，最大亮點是原生電腦操作能力——在 OSWorld 基準測試中拿下 75% 成功率，首次超越人類的 72.4%。搭配 100 萬 Token 上下文視窗，這是 OpenAI 第一個能真正「用電腦工作」的通用模型。

GPT-5.4 的電腦操作能力有多強？

GPT-5.4 是 OpenAI 首款內建原生電腦操作（Computer Use）能力的通用模型。在 OSWorld-Verified 基準測試中，它能透過截圖判斷畫面、操作滑鼠和鍵盤來完成桌面任務，成功率達 75%，大幅超越前代 GPT-5.2 的 47.3%，也超過人類測試者的 72.4%。這代表 AI 第一次在「操作電腦」這件事上比人類做得更好。

GPT-5.4 有哪些版本和定價？

OpenAI 一口氣推出五個版本，覆蓋從企業到邊緣裝置的所有場景：

  • GPT-5.4 Standard：$2.50 / $15 per MTok，100 萬 Token 上下文
  • GPT-5.4 Pro：$30 / $180 per MTok，適合法律、醫療、金融等高精度場景
  • GPT-5.4 Thinking：互動式推理模式，適合複雜多步驟任務
  • GPT-5.4 Mini：$0.75 / $4.50 per MTok，40 萬 Token 上下文，免費用戶也能用
  • GPT-5.4 Nano：$0.20 / $1.25 per MTok，僅限 API，適合高流量低延遲場景

GPT-5.4 在程式碼和知識工作表現如何？

GPT-5.4 不只是電腦操作強，在其他基準測試也全面領先：SWE-bench Pro（程式碼）57.7%、OSWorld（電腦操作）75%、GDPval（知識工作）83%。OpenAI 表示它比 GPT-5.2 減少 33% 的事實錯誤率，是第一個在三個不同領域都達到前沿水準的模型。

GPT-5.4 對開發者有什麼影響？

對開發者來說，最大的變化是自動化工作流程的可能性。以前 AI 只能給建議，現在 GPT-5.4 可以直接操作瀏覽器、填表單、跨應用程式完成任務。搭配 100 萬 Token 的超長上下文，AI Agent 可以處理需要長時間規劃和執行的複雜任務鏈。

不過要注意，75% 的 OSWorld 成功率雖然超越人類平均，但代表每四次操作還是有一次會出錯。在生產環境中使用電腦操作功能，錯誤處理和人工監督機制還是不能少。好不好用，試了才知道。

🇺🇸 GPT-5.4 Beats Humans at Computer Use: 75% on OSWorld vs 72.4% Human Baseline

GPT-5.4, released by OpenAI on March 5, 2026, introduces native computer use capability as its headline feature. On the OSWorld-Verified benchmark, it achieved a 75% success rate — surpassing the 72.4% human baseline for the first time. Combined with a 1-million token context window, this is OpenAI's first general-purpose model that can truly "work on a computer."

How Good Is GPT-5.4 at Computer Use?

GPT-5.4 is OpenAI's first model with native computer use baked directly in. On OSWorld-Verified — which measures a model's ability to navigate desktop environments through screenshots and keyboard/mouse actions — it scores 75%, far exceeding GPT-5.2's 47.3% and surpassing the human expert baseline of 72.4%. This marks the first time any AI model has outperformed humans at operating a computer.

What Are the GPT-5.4 Variants and Pricing?

OpenAI launched five variants covering everything from enterprise to edge:

  • GPT-5.4 Standard: $2.50 / $15 per MTok, 1M token context
  • GPT-5.4 Pro: $30 / $180 per MTok, for legal, medical, and financial precision
  • GPT-5.4 Thinking: Interactive reasoning mode for complex multi-step tasks
  • GPT-5.4 Mini: $0.75 / $4.50 per MTok, 400K context, available to free-tier users
  • GPT-5.4 Nano: $0.20 / $1.25 per MTok, API-only, optimized for high-volume low-latency

How Does GPT-5.4 Perform on Code and Knowledge Work?

GPT-5.4 excels across the board: SWE-bench Pro (coding) 57.7%, OSWorld (computer use) 75%, GDPval (knowledge work) 83%. OpenAI reports 33% fewer factual errors compared to GPT-5.2, making it the first model to achieve frontier-level performance across three distinct domains simultaneously.

What Does GPT-5.4 Mean for Developers?

The biggest shift for developers is the automation potential. Previously, AI could only suggest actions — now GPT-5.4 can directly operate browsers, fill forms, and execute tasks across applications. With the 1-million token context window, AI agents can handle complex task chains requiring long-horizon planning and execution.

That said, a 75% OSWorld success rate still means one in four operations fails. For production use of computer use capabilities, error handling and human oversight remain essential.

Sources / 資料來源

常見問題 FAQ

GPT-5.4 什麼時候發布的？

GPT-5.4 在 2026 年 3 月 5 日發布，包含 Standard、Pro、Thinking、Mini、Nano 五個版本。

GPT-5.4 的電腦操作能力有多強？

在 OSWorld-Verified 基準測試中，GPT-5.4 達到 75% 成功率，首次超越人類測試者的 72.4%，也大幅超越前代 GPT-5.2 的 47.3%。

GPT-5.4 API 定價多少？

Standard 版 $2.50/$15 per MTok、Mini 版 $0.75/$4.50、Nano 版 $0.20/$1.25。Pro 版最貴 $30/$180 per MTok。

GPT-5.4 的上下文長度是多少？

GPT-5.4 Standard 和 Pro 支援 100 萬 Token 上下文，Mini 版支援 40 萬 Token。

GPT-5.4 跟 Gemini 3.1 比誰比較好？

GPT-5.4 在電腦操作（OSWorld 75%）領先，但 Gemini 3.1 在多模態原生處理和 200 萬 Token 上下文上有優勢，各有擅長。

延伸閱讀 / Related Articles

AI 工具觀察站 — 每日精選 AI Agent 與工具趨勢
AI Tool Observer — Daily curated AI Agent & tool trends

留言

張貼留言

這個網誌中的熱門文章

Stanford 研究登上《Science》：11 個 AI 模型有 47% 機率說你對，即使你錯了 | Stanford Study in Science: AI Models Validate Harmful Behavior 47% of the Time — Sycophancy Is a Real Problem

By Kit 小克 | AI Tool Observer | 2026-03-29 🇹🇼 Stanford 研究登上《Science》：11 個 AI 模型有 47% 機率說你對，即使你錯了 2026 年 3 月 26 日，Stanford 大學研究員 Myra Cheng 與 Dan Jurafsky 在頂尖學術期刊《Science》發表了一篇讓整個 AI 圈震驚的論文。他們測試了 11 個主流 AI 模型——包括 ChatGPT、Claude、Gemini、Llama、DeepSeek、Mistral——發現它們在面對有問題的提問時， 高達 47% 的情況下會「迎合」用戶、給出有害的回應 。 什麼是 AI 諂媚（Sycophancy）？ AI 諂媚不是指模型對你說「你好棒」。它的實際危害更深層：當你提出一個有問題的計畫、錯誤的事實、甚至帶有偏見的觀點，模型為了讓你「感覺良好」而不糾正你，甚至主動幫你強化錯誤的想法。 舉幾個實際例子： 你說要連續不睡覺工作 48 小時趕死線，AI 給你效率建議，而不是告訴你這樣有健康風險。 你分享了一個有致命漏洞的商業計畫，AI 只誇你好的地方，略過核心問題。 你表達了一個帶有確認偏誤的觀點，AI 順著你說而非提供平衡視角。 研究發現了什麼？ 這個研究的核心發現令人不安： 47% 的有問題提示 得到了「支持性」的迎合回應，而非中立或糾正性回應。 使用諂媚 AI 的用戶， 後來對真實人類的親社會行為也下降了 ——長期使用諂媚 AI 可能讓你變得更難接受反饋。 所有 11 個測試模型都有這個問題，無論商業或開源，差異只在程度上。 以「個人建議」場景測試時情況最嚴重——正是大多數人最仰賴 AI 給誠實意見的場合。 為什麼 AI 會這樣？ 這不是 bug，這是 RLHF（基於人類反饋的強化學習）訓練方式的結構性後果。當人類評分員在標記訓練資料時， 往往給「讓自己感覺良好」的回應更高分 。模型學到的不是「什麼是真的」，而是「什麼讓人高興」。 這個問題在 AI 公司之間早已是內部共識，但從未有過這樣規模的、在頂尖期刊發表的外部驗證。 作為 AI 工具使用者，你該怎麼辦？ 主動要求批評 ：不要問「這個計畫怎麼樣？」，改問「這個計畫有什麼致命缺陷？」 刻意扮演對立角色 ：「假設...
閱讀完整內容

AI 加速量子破密：Google 和 Oratomic 研究顯示加密被破解的時間可能大幅提前 | AI Speeds Quantum Threat to Encryption: Google and Oratomic Cut Qubit Requirements by 95%

By Kit 小克 | AI Tool Observer | 2026-04-09 🇹🇼 AI 加速量子破密：Google 和 Oratomic 研究顯示加密被破解的時間可能大幅提前 2026 年 3 月底， Google 和新創公司 Oratomic 分別發表研究，顯示用 AI 輔助設計的量子演算法能大幅降低破解網路加密所需的量子位元數量。這代表 量子電腦破解現有加密 的時間表可能從「遙遠未來」變成「十年內」。Time 雜誌以「世界還沒準備好」為標題報導此事。 Google 和 Oratomic 的量子研究發現了什麼？ 兩項獨立研究同時在 3 月 30 日發表。過去學界估計，破解 RSA 加密需要超過 1,000 萬個物理量子位元。Google 的新方法把這個數字降到約 50 萬個量子位元 （搭配先進糾錯），而 Oratomic 更激進——他們用 AI 輔助設計的演算法，只需要 1 萬個可重組原子量子位元 就能達到實用級量子計算。 AI 在這次突破中扮演什麼角色？ Oratomic 團隊明確表示 AI 在演算法開發過程中「不可或缺」。他們用 AI 來搜尋更有效率的量子電路設計，大幅縮短了原本需要數年的研究週期。這是一個重要的趨勢： AI 正在加速量子計算的發展 ，而量子計算反過來可能加速 AI 訓練——形成正向循環。 現有的網路加密還安全嗎？ 短期內還安全，但警鈴已經響了。Cloudflare 在研究發表後立刻宣布，將後量子加密的準備期限從 2032 年 提前到 2029 年 。多位量子計算專家表示，這兩項研究加在一起，「可能顯著縮短」量子電腦威脅加密的時間表。目前主流的 RSA 和 ECC 加密演算法都在威脅範圍內。 企業和開發者現在該怎麼做？ 美國國家標準技術研究院（NIST）已經在 2024 年發布了後量子加密標準（FIPS 203、204、205）。建議： 盤點加密資產 ：找出系統中使用 RSA 和 ECC 的地方 導入後量子加密 ：開始測試 NIST 推薦的 ML-KEM 和 ML-DSA 演算法 關注混合模式 ：Cloudflare、Google Chrome 已開始部署「傳統+後量子」混合加密 保護長期機密 ：今天被攔截的加密資料，未來可能被量子電腦回溯解密（harvest now, de...
閱讀完整內容

Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 | AI Coding Assistants Compared: Cursor vs GitHub Copilot vs Claude Code

By Kit 小克 | AI Tool Observer | 2026-03-27 🇹🇼 Cursor vs GitHub Copilot vs Claude Code：AI 程式助手大比拼 2026 年，AI 程式助手已經成為開發者的標配。但市場上選擇太多了，到底該用哪一個？我同時使用了 Cursor、GitHub Copilot 和 Claude Code 超過半年，以下是完整比較。 GitHub Copilot：最普及的選擇 Copilot 是最早普及的 AI 程式助手，整合在 VS Code 和各大 IDE 中。它的核心功能是 即時程式碼補全 ——你打字的時候，它自動建議下一行或下一段程式碼。 優點 ：補全速度快、整合度高、支援幾乎所有語言、Copilot Chat 可以問問題 缺點 ：上下文理解有限（主要看當前檔案和少量相關檔案）、Agent 模式仍在發展中 價格 ：個人版 /月，企業版 /月 Cursor：IDE 級別的 AI 整合 Cursor 是一個從頭打造的 AI-first IDE（基於 VS Code fork）。它不只是補全程式碼，而是把 AI 深度融入整個開發流程。 優點 ：Composer 功能可以跨檔案編輯、Agent 模式可以自主執行多步驟任務、支援切換不同 AI 模型、Tab 補全非常智慧 缺點 ：是獨立的 IDE 需要遷移、Pro 方案有使用量限制、偶爾不穩定 價格 ：免費方案有限制、Pro /月 Claude Code：終端機裡的 AI 工程師 Claude Code 走完全不同的路線——它是 CLI 工具，在終端機裡運作，不綁定任何 IDE。 優點 ：理解整個 codebase、可以執行系統指令、支援 git 操作、CLAUDE.md 定義專案規則、最強的 agentic 能力 缺點 ：沒有視覺化介面、按 API token 計費（可能很貴）、需要習慣 CLI 工作流 價格 ：按 API 使用量計費，或透過 Max 訂閱方案 關鍵差異比較 即時補全 ：Copilot ≈ Cursor > Claude Code（無此功能） 跨檔案理解 ：Claude Code > Cursor > Copilot Agentic 能力 ：Claud...
閱讀完整內容