GPT-5.4

Typische Einsatzfälle

• Kostensensitive Allzweck-Aufgaben
• Hochvolumen-Anwendungen
• Coding

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →51
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →71
• Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →78
• Tool-Useτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →87
• Human-PräferenzElo (LMArena)Human-Präferenz-Wertung aus der LMArena: Menschen vergleichen blind zwei Modellantworten, daraus entsteht – wie beim Schach – eine Elo-Zahl. Höher = häufiger bevorzugt. Misst Präferenz, nicht Korrektheit.Mehr im Wissen →1468

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Artificial Analysis Intelligence Index

  51

  (xhigh)

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

• Artificial Analysis Coding Index

  71

  (xhigh)

  unabhängigArtificial Analysis (API), abgerufen 2026-07-09

• LMArena Text Arena (Elo)

  1468

  unabhängigLMArena (arena.ai), Stand 2026-06-10

• DeepSWE (Long-Horizon Coding)

  56 %

  (xhigh)

  unabhängigdeepswe.lol (kontaminationsfrei, mini-swe-agent), 2026-06-16

• Terminal-Bench (agentische Shell-Aufgaben)

  78 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

• τ²-bench (Tool-Use-Verlässlichkeit)

  87 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

Einordnung

• Günstiger als das Spitzenmodell GPT-5.5 ($2,50 / $15 vs. $5 / $30) bei gleichem 1-Mio.-Kontext und Output – laut Anbieter unter GPT-5.5 positioniert, für kostensensitive Anwendungen.
• Im direkten Praxisvergleich (Matt Maher) löste GPT-5.4 dieselbe Refactor-Aufgabe exhaustiver und mit mehr Selbstabsicherung als Claude Opus, brauchte dafür aber rund 10× mehr TokenTokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen → und deutlich länger – Opus arbeitete chirurgischer und schneller (Einzelfall, n=1).Beleg · Community

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardSystem-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier ATier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen. Card-Stand 2026-03-05.

Fähigkeiten

• Reasoning-Modell – GPT-5.4 Thinking ist ein Reasoning-Modell der GPT-5-Reihe (RL-trainiert), das vor der Antwort eine lange interne Gedankenkette durchläuft.
• Cyber-Range – Laut Card im internen Cyber-Range (End-to-End-Operationen im emulierten Netz) 73,33 % kombinierte Pass-Rate – über den Vor-5.3-Modellen, aber unter GPT-5.3-Codex (80 %).

Verhalten & Sicherheit

• Cyber-High – Erstes General-Purpose-Modell mit „High“-Einstufung in Cybersecurity – nicht weil die Fähigkeit bewiesen ist, sondern weil alle Canary-Schwellen gerissen werden und „Cyber High“ nicht ausgeschlossen werden kann; die Preparedness-Safeguards sind aktiv.
• Cyber-Safeguards – Statt das Modell wie früher herabzustufen, greift ein zweistufiger Conversation-Monitor (Themen-Klassifizierer → „safety reasoner“) plus Message-/User-Level-Sperren, ZDR-Klassifizierer und das identitätsgebundene „Trusted Access for Cyber“-Programm.
• Bio/Chem-High – Wie GPT-5.2 Thinking auch in Biologie/Chemie als „High“ behandelt, mit den GPT-5-Safeguards; in Bio-Troubleshooting etwa auf Vorgänger-Niveau (z. B. ProtocolQA Open-Ended 42,5 %).
• Refusal – Hohe not_unsafe-Werte (Extremismus 1,000, gewaltlose illegale Aktivität 1,000, Self-harm 0,987) und Bestwerte in den dynamischen Mental-Health-Evals; extrapoliert verletzen ~99,95 % der Outputs die Harassment-Policy nicht.
• Halluzination – Erfundene Fakten selten (Fabricated Fact ~0,09 % des Traffics), doch „Fabricated Tool Result“ stieg gegenüber GPT-5.2 Thinking spürbar (0,156 % vs. 0,065 %).
• Deception/Scheming – Apollo Research misst ~1 % Deception ohne Nudge (unter GPT-5.2), keine verdeckte Subversion; Sandbagging nur bei explizit gesetztem Ziel (–6 Prozentpunkte), bei erhöhter Evaluation-Awareness (21,3 %).
• Jailbreak-Robustheit – Im härteren Multiturn-Jailbreak-Benchmark deutlich über GPT-5.1, knapp über GPT-5.2 Thinking; Prompt-Injection bei Connectoren verbessert (0,998), bei Function-Calls leicht schwächer (0,978).

⚙ Reines Safety-Dokument – Kontext, Modalitäten und Wissens-CutoffWissensstichtagDer Zeitpunkt, bis zu dem die Trainingsdaten eines Modells reichen („knowledge cutoff“). Über spätere Ereignisse weiß das Modell von sich aus nichts – es sei denn, sie werden ihm in der Anfrage mitgegeben.Mehr im Wissen → nennt die Card nicht; Vergleichs-Baseline ist GPT-5.2 Thinking (ein „GPT-5.3 Thinking“ gibt es nicht).

OpenAI – GPT-5.4 Thinking System Card (PDF)· Primärquelle, abgerufen 2026-06-16

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• positivErster OpenAI-Release nach einer Serie von Enttäuschungen (GPT-5, 5.1, 5.2), der überzeugt – „actually a good model“, zeitweise das beste der Welt; ironischerweise mit kaum Hype aufgenommen.Cognitive Revolution (YouTube) · Community
• positivBei einem großen Refactor (≈20 000 Zeilen über ~150 Dateien, ~300 Mio. Token) trennte GPT-5.4 selbstständig UI von Logik und baute zur Selbstabsicherung drei alternative Oberflächen plus eine Headless-Schicht – gründlich-exhaustiv, aber sehr tokenintensiv (Einzelfall, n=1).Matt Maher (YouTube) · Community
• kritischStark fürs Coding, aber schwach beim Frontend-Design: erzeugt ohne Steuerung immer dieselben Card-Layouts („5.4 sickness“); selbst OpenAIs eigener Leitfaden „Designing delightful frontends with GPT-5.4“ überzeugt im Praxistest nicht.Theo – t3.gg (YouTube) · Community