BenchLeader

GPT-5.4

推理强度
质量第 17 / 339 名
63.1Index
前 10%
较中位数 +12.9
价格第 223 / 255 名
$5.63每百万 token
最贵的四分之一
中位数的 6.6 倍
速度第 129 / 216 名
73token/秒
低于中位数
中位数的 0.9 倍
性价比第 219 / 255 名
11.2分/$
后四分之一
中位数的 0.2 倍

性价比更高: Gemini 3.7 Flash $1.50/M 即可获得 Index 62.1,价格只有四分之一。

有 6 个更便宜的已排名模型得分更高:Gemini 4 Carbon (68.9, $4.00)、GPT-6.1 Sol (66.6, $4.00)、Gemini 4 Argon (65.3, $4.00),另有 3 个。

截至 2026年11月16日,GPT-5.4(OpenAI)在 BenchLeader Index 上得分 63.1(在 608 个已排名配置中前 50 名)。表现最好的是指令遵循(72),最弱的是知识(59)。API 价格为输入每百万 token $2.50、输出每百万 token $15.00(按 3:1 混合为 $5.63),为 2026年11月16日的标价。输出速度约为 73 token/秒(Artificial Analysis)。发布于 2026年3月5日。

要点(截至 2026年11月16日)

  • GPT-5.4 的 API 价格为输入每百万 token $2.50、输出每百万 token $15.00(按 3:1 混合为 $5.63)(标价,2026年11月16日)。
  • GPT-5.4 的输出速度约为 73 token/秒(Artificial Analysis,2026年11月16日)。
  • GPT-5.4 于 2026年3月5日发布(OpenAI)。

详细说明:GPT-5.4 是 OpenAI 的闭源推理模型,发布于 2026年3月5日。其最佳配置(推理强度 xhigh)在 BenchLeader Index 上得分 63.1 ±2.7,在 608 个配置中排第 42 名,处于上半区。关键在于这个“±”:另有 123 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,指令遵循得分最高(72),知识最低(59)。按混合价格计,每百万 token $5.63,属于已排名模型中最贵的一档。输出速度为 73 token/秒,首次回答需 144.9 秒,比大多数模型慢。它已在 7 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年10月13日。

混合价格
$5.63/M
输入 $2.50 · 输出 $15.00
来源:Artificial Analysis
输出速度
73 tok/s
由 Artificial Analysis 测量
首次回答
145 s
首 token 1.51 s
上下文
1.1M
来源:models.dev
完整回答
193 s
最近一次测量 2026年11月13日
单任务成本
–
单任务 token 数
–
发布日期
2026年3月5日
各类别得分虚线 = 平均模型(50)。每 15 分为一个标准差。
  1. 综合 Index63
  2. 推理66
  3. 编程65
  4. 智能体与工具63
  5. 数学65
  6. 知识59
  7. 指令遵循72
  8. 多模态61
  9. 长上下文66

嵌入这个排名

更多徽章样式
[![GPT-5.4 on BenchLeader: 综合第 17 名](https://www.benchleader.com/badge/gpt-5-4.svg?style=compact)](https://www.benchleader.com/models/gpt-5-4)

粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。

OpenAI 发布新模型时邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

版本

OpenAI 以这个名称发布过 13 个模型。每个版本都只按自身结果排名;较新的版本往往结果较少,在更多结果出炉之前,其 Index 会更接近平均水平。

模型发布日期Index排名
GPT-5.62026年7月9日––
GPT-5.5xhigh2026年4月23日64.1#31
GPT-5.4xhigh本页2026年3月5日63.1#42
GPT-5.2xhigh2025年12月11日59.9#95
GPT-5.1high2025年11月12日57.5#151
GPT-5medium2025年8月7日59.0#113
GPT-4.12025年4月14日48.7#377
GPT-4.52025年2月27日50.5#335
GPT 4 01252024年1月25日––
GPT-4 11062023年11月6日––
GPT 4 06132023年6月13日39.5#541
GPT-42023年3月14日42.3#496
GPT-3.5–––

不同推理强度的配置

同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。

推理强度Index排名速度首次回答聊天回复成本类别
无推理53.0#26578 tok/s1.94 s$0.0055智能体与工具 67 · 编程 55 · 指令遵循 50 · 长上下文 53 · 数学 48 · 多模态 53 · 推理 54
low58.8#12174 tok/s3.09 s$0.0055智能体与工具 71 · 指令遵循 65 · 长上下文 63 · 数学 60 · 多模态 60 · 推理 53
medium54.5#23349 tok/s1.51 s$0.0055编程 47 · 数学 65 · 推理 60
high58.6#12449 tok/s1.51 s$0.0055编程 54 · 人类偏好 66 · 知识 50 · 数学 67 · 多模态 65 · 推理 60
xhigh最佳63.1#4273 tok/s145 s$0.0055智能体与工具 63 · 编程 65 · 指令遵循 72 · 知识 59 · 长上下文 66 · 数学 65 · 多模态 61 · 推理 66
thinking––49 tok/s1.51 s$0.0055知识 70 · 多模态 65
未说明57.9#14449 tok/s1.51 s$0.0055智能体与工具 58 · 编程 50 · 人类偏好 63 · 数学 64 · 多模态 64 · 推理 62

Index 走势

2026年9月8日 至 2026年11月16日
556268
  • xhigh
  • low
  • high
  • 默认

Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。

基准测试结果

查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。

推理

基准测试无推理lowmediumhighxhigh默认来源趋势
GPQA Diamond74.8%#16484.8%#10488.9%#6389.9%#5393.3%#23–Epoch AI Benchmarking Hub
Humanity's Last Exam––––36.2%#9–Scale AI / CAIS
Arena Hard Prompts–––1496#42–1487#58Arena (LMArena)
LiveBench 1.0 Reasoning不计入 Index––––88.1%#24–LiveBench
GPQA Diamond (AA)不计入 Index74.8%#25887.1%#105––92.0%#41–Artificial Analysis
Humanity's Last Exam (AA)不计入 Index11.3%#31530.8%#159––43.7%#64–Artificial Analysis
GPQA Diamond (Vals)不计入 Index––––91.7%#18–Vals AI
Kagi LLM Benchmark推理强度未说明–––––63.8%#40Kagi LLM Benchmark
ARC-AGI-1–68.2%#15486.2%#11292.7%#6093.7%#55–ARC Prize
ARC-AGI-2–29.2%#14255.4%#10767.5%#7274.0%#59–ARC Prize
ARC-AGI-3–––0.2%#68––ARC Prize
CritPt不计入 Index0.6%#2747.4%#157––23.4%#59–Artificial Analysis
Arena Expert不计入 Index–––1514#28–1491#61Arena (LMArena)
Chess Puzzles不计入 Index3.0%#14819.0%#10537.0%#4842.0%#3948.0%#21–Epoch AI Benchmarking Hub
Mystery Game Puzzles不计入 Index16.0%#8917.0%#8028.0%#43–37.0%#23–Epoch AI Benchmarking Hub
CL-bench不计入 Index––––27.9%#1–Epoch AI Benchmarking Hub
CL-bench Life不计入 Index–––19.3%#321.7%#213.8%#7Epoch AI Benchmarking Hub
LMCA不计入 Index––––52.0%#63–Epoch AI Benchmarking Hub
DTBench不计入 Index––––94.4%#61–Epoch AI Benchmarking Hub
ForecastBench不计入 Index推理强度未说明–––––63.0%#48ForecastBench

编程

基准测试无推理lowmediumhighxhigh默认来源趋势
SWE-bench Verified (Epoch)–––76.9%#8––Epoch AI Benchmarking Hub
SciCode––––56.6%#43–SciCode
WeirdML57.4%#53–––77.7%#24–WeirdML
GSO-Bench–––25.5%#1531.4%#12–GSO-Bench
Arena Coding–––1521#35–1511#59Arena (LMArena)
Arena WebDev––1442#841462#79–1400#102Arena (LMArena)
LiveBench 1.0 Coding不计入 Index––––77.5%#37–LiveBench
LiveCodeBench––––84.1%#40–Vals AI
SWE-bench (Vals)不计入 Index––––78.2%#30–Vals AI
SWE-Bench Pro––––59.1%#2–Scale AI SEAL
Code Migration不计入 Index––––35.0%#37–Vals AI
ProgramBench不计入 Index–––0.5%#190.0%#34–Vals AI
Vibe Code Bench v1.1不计入 Index––––67.4%#5448.5%#69Vals AI
SWE-Bench Pro (private)不计入 Index––––43.4%#4–Scale AI SEAL
SWE Atlas v1.0: Codebase QnA不计入 Index––––40.8%#10–Scale AI SEAL
SWE Atlas v1.0: Refactoring不计入 Index––––44.3%#8–Scale AI SEAL
SWE Atlas v1.0: Test Writing不计入 Index––––44.4%#8–Scale AI SEAL
MirrorCode不计入 Index–––15.6%#4223.3%#37–Epoch AI Benchmarking Hub
DeepSWE v1.1不计入 Index––––51.8%#46–Epoch AI Benchmarking Hub
ALE-Bench不计入 Index1086.0#62–1520.7#301607#22––Epoch AI Benchmarking Hub
AlgoTune不计入 Index–––1.9#3––AlgoTune
Terminal-Bench 2.1 (AA)不计入 Index––––78.3%#53–Artificial Analysis
GameBench 2 Overall不计入 Index跨设置–––––53.4#29DuelLab GameBench 2
GameBench 2 by reasoning setting不计入 Index44.8#115–53.3#87–62.1#60–DuelLab GameBench 2
Design Arena Website不计入 Index1190#871190#871212#83–––Design Arena

智能体与工具

基准测试无推理lowhighxhigh默认来源趋势
Terminal-Bench推理强度未说明––––81.8%#2Terminal-Bench
APEX-Agents推理强度未说明––––52.4%#33Mercor
LiveBench Agentic Coding不计入 Index–––53.8%#36–LiveBench
Terminal-Bench Hard37.9%#6243.2%#41–57.6%#11–Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index36.0%#23974.6%#142–87.1%#81–Artificial Analysis
MCP Atlas–––70.6%#23–Scale AI SEAL
HiL-Bench推理强度未说明––––9.7%#33Scale AI SEAL
τ³-bench Banking不计入 Index–––39.4%#10–τ²-bench
GDPval-AA v2.1不计入 Index–––1256#125–Artificial Analysis
τ³-Banking (AA)–––39.6%#32–Artificial Analysis
APEX-Agents (AA)不计入 Index–––33.3%#9–Artificial Analysis
Harvey's Legal Agent Benchmark v1不计入 Index–––0.0%#64–Vals AI
SkillsBench不计入 Index–––51.7%#19–Vals AI
Terminal-Bench 2.0 (Vals)不计入 Index––58.4%#10––Vals AI
Arena Search不计入 Index推理强度未说明––––1196#22Arena (LMArena)
DeepResearch Bench不计入 Index–35.1%#39–––DeepResearch Bench
PostTrainBench不计入 Index––17.8%#20––Epoch AI Benchmarking Hub
METR Time Horizons不计入 Index–––74.3%#7–METR
GBAEval不计入 Index推理强度未说明––––45.1%#10Epoch AI Benchmarking Hub
Vending-Bench 2不计入 Index推理强度未说明––––6144.2#24Andon Labs
Design Arena Agentic不计入 Index推理强度未说明––––1042#70Design Arena
DeepSearchQA不计入 Index推理强度未说明––––63.7%#3Google

数学

基准测试无推理lowmediumhighxhigh默认来源趋势
FrontierMath Tiers 1–3––––78.6%#22–Epoch AI Benchmarking Hub
FrontierMath Tier 4––––49.0%#30–Epoch AI Benchmarking Hub
OTIS Mock AIME57.8%#17984.4%#10995.6%#5197.8%#3795.3%#60–Epoch AI Benchmarking Hub
ProofBench––––56.0%#27–Vals AI
LiveBench Mathematics不计入 Index––––94.2%#20–LiveBench
AIME (Vals)––––96.7%#5–Vals AI
AIME 2026可能存在污染––––99.2%#3–MathArena
HMMT February 2026可能存在污染––––97.7%#2–MathArena
USAMO 2026不计入 Index––––95.2%#2–MathArena
MathArena Apex可能存在污染––––54.2%#6–MathArena
Arena Maths–––1491#27–1459#67Arena (LMArena)

知识

基准测试highxhighthinking来源趋势
SimpleQA Verified–45.1%#43–Epoch AI Benchmarking Hub
LiveBench 1.0 Data Analysis不计入 Index–79.3%#15–LiveBench
MMLU-Pro–87.5%#27–Vals AI
LegalBench–86.0%#17–Vals AI
CorpFin–65.3%#33–Vals AI
TaxEval–74.0%#42–Vals AI
MedQA–96.1%#5–Vals AI
PRBench Finance45.6%#25––Scale AI SEAL
PRBench Legal44.4%#27––Scale AI SEAL
MultiNRC可能存在污染––58.3%#7Scale AI SEAL
CaseLaw v2不计入 Index–63.8%#16–Vals AI
MedCode不计入 Index–41.3%#53–Vals AI
MedScribe不计入 Index–77.5%#67–Vals AI
EBR-bench不计入 Index–25.4%#18–Epoch AI Benchmarking Hub

指令遵循

基准测试无推理lowhighxhigh默认来源趋势
LiveBench Language不计入 Index–––82.6%#25–LiveBench
LiveBench Instruction Following不计入 Index–––70.2%#29–LiveBench
IFBench48.4%#18565.9%#101–74.0%#37–Artificial Analysis
Arena Instruction Following不计入 Index––1471#40–1460#55Arena (LMArena)

人类偏好

基准测试high默认来源趋势
Arena Text1475#371465#57Arena (LMArena)
EQ-Bench 4推理强度未说明–1258#10EQ-Bench
EQ-Bench Creative Writing v3不计入 Index推理强度未说明–1841#21EQ-Bench
Arena Creative Writing不计入 Index1441#611433#68Arena (LMArena)
Arena Multi-turn不计入 Index1493#211480#39Arena (LMArena)
Arena Longer Queries不计入 Index1481#461477#54Arena (LMArena)

多模态

基准测试无推理lowhighxhighthinking默认来源趋势
Arena Vision––1301#18––1292#26Arena (LMArena)
MMMU-Pro70.6%#15478.0%#89–78.4%#85––Artificial Analysis
VISTA––––50.9%#8–Scale AI SEAL
MMMU-Pro (Vals)不计入 Index–––87.5%#14––Vals AI
MortgageTax不计入 Index–––68.3%#17––Vals AI
VTB不计入 Index––29.2%#2–––Scale AI SEAL
Blueprint-Bench 2不计入 Index推理强度未说明–––––27.1%#25Epoch AI Benchmarking Hub
Furniture Assembly不计入 Index–––37.5%#23––Epoch AI Benchmarking Hub

长上下文

基准测试无推理lowxhigh默认来源趋势
AA-LCR v1.158.3%#30776.7%#15782.0%#54–Artificial Analysis
Arena Document不计入 Index推理强度未说明–––1471#18Arena (LMArena)

综合

基准测试无推理lowxhigh默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明–––157.8#27Epoch AI Benchmarking Hub
LiveBench 1.0不计入 Index––78.0%#19–LiveBench
AA Intelligence Index v4.3.2不计入 Index18.2#26627.6#14739.0#77–Artificial Analysis
AA Progress Index v1不计入 Index244.5#279285.4#154311.6#92–Artificial Analysis
Vals RSI Index不计入 Index––15.5%#25–Vals AI

安全与诚实

基准测试thinking来源趋势
MASK不计入 Index可能存在污染89.7%#8Scale AI SEAL

GameBench 2 Overall: 53.4. GameBench 2, best reasoning setting (XHigh): 62.1. 仅供参考,不计入 BenchLeader Index。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

优势所在

在所有已测配置中,这个配置排名前五的基准测试。

API 价格:在哪里调用

通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。

提供商速度首 token输入 $/M输出 $/M上下文量化
Amazon Bedrock87 tok/s1.99 s$2.75$16.501.1M–
Azure75 tok/s0.55 s$2.75$16.501.1M–
Azure68 tok/s2.01 s$2.50$15.001.1M–
OpenAI55 tok/s1.14 s$2.50$15.001.1M–

使用情况

GPT-5.4 的实际使用量,依据公开这类数据的网关报告。使用情况不计入 Index。使用最多的模型和提供商

编程智能体轮次占比,30 天
0.00%
Codex 中占 100%

来源: T3 Code via Slopalytics。

一项任务的成本

根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.250。未计入推理 token。

工作负载输入 / 输出 token成本使用缓存耗时
聊天回复400 / 300$0.0055$0.00482.5 min
总结一份 30 页的报告12,000 / 600$0.039$0.0192.6 min
代码编辑6,000 / 1,500$0.037$0.0272.8 min
智能体编程会话60,000 / 4,000$0.210$0.1093.3 min
结构化信息提取2,000 / 200$0.0080$0.00462.5 min

OpenAI 的更多模型

本月新上线

将 GPT-5.4 与以下模型对比

另请参阅

嵌入或引用

在模型卡片或 README 中展示 GPT-5.4 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。

[![GPT-5.4 on BenchLeader: 综合第 17 名](https://www.benchleader.com/badge/gpt-5-4.svg)](https://www.benchleader.com/models/gpt-5-4)

引用本页

排名每天都会变化,因此引用时需注明数据日期。APA 格式:

BenchLeader. (2026, November 16). GPT-5.4 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/gpt-5-4

BibTeX:

@misc{benchleader_gpt_5_4_20261116,
  author       = {{BenchLeader}},
  title        = {{GPT-5.4 on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/gpt-5-4}},
  note         = {Data as of 2026-11-16}
}

全部徽章样式、可嵌入的前 10 名小组件,以及如何引用 Index

常见问题

GPT-5.4 的基准测试得分是多少?
截至 2026年11月16日,GPT-5.4(推理强度 xhigh)的 BenchLeader Index 为 63.1 ±2.7(前 50 名)。最强的是指令遵循(72),最弱的是知识(59)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
GPT-5.4 排名第几?
截至 2026年11月16日,GPT-5.4(推理强度 xhigh)在 608 个已排名配置中排第 42 名(前 50 名)。另有 123 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
GPT-5.4 每百万 token 的价格是多少?
截至 2026年11月16日,GPT-5.4 的价格为输入每百万 token $2.50、输出每百万 token $15.00,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $5.63。
GPT-5.4 比 Claude Opus 4.7 更好吗?
截至 2026年11月16日,Claude Opus 4.7 与 GPT-5.4(推理强度 xhigh)的质量不相上下(BenchLeader Index 63.1 比 63.1,在 ±4.6 的误差范围内),可根据价格、速度和你看重的类别来选择。逐项基准测试的详细对比见对比页面。
GPT-5.4 是什么时候发布的?
OpenAI 于 2026年3月5日发布了 GPT-5.4。BenchLeader 收录了它在 7 种推理强度设置下的结果。

数据截至 2026年11月16日。 对比这些配置

引用格式:BenchLeader,《GPT-5.4:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/gpt-5-4。