VerdictPal
Beitreten

Modelle / OpenAI

GPT 5.4

GPT 5 · Release 2026-03-05

OpenAIs Modell März 2026. AA Intelligence Index 56,8 (global #5). SWE-bench Verified 80,0 %, Terminal-Bench 2.0 81,8 % (ForgeCode). ARC-AGI-2 83,3 % (Pro-Variante). 256K-Kontext, $7 / $28 pro 1M Tokens — 44 % günstiger als GPT 5.5 beim Input.

Standard für OpenAI-Produktions-Workloads, bei denen GPT 5.5 zu viel, GPT 5.2 aber zu alt ist. Die Pro-Variante führt ARC-AGI-2 unter den Nicht-OpenAI-Wettbewerbern mit 83,3 % an.

#5 von 51 im AA Index · aktueller Snapshot
51 AA Index · 18 Benchmark-Zeilen · 10 QuellenPosition ist benchmark-spezifisch — kein Cross-Family- oder Cross-Source-Ranking.
Composite61
Kontext256K
Input / 1M$7.0
Output / 1M$28
Wissensstichtag2026-01-31
Output-Speed152 t/s
TTFT (Default-API)129.43s
Statusflagship
ChatGPTCursorPerplexityScira AI
KnowledgeReasoningCodingAgenticLong contextTool useHuman preference
Knowledge
90
Reasoning
92
Coding
80
Agentic
82
Long context
74
Tool use
84
Human preference
81

83average across 7 tested families

Redaktionsnotiz
GPT 5.4 ist das OpenAI-Modell, das wir empfehlen, wenn GPT 5.5 zu teuer ist, die Aufgabe aber Frontier-Coding braucht. Die ForgeCode-Variante von Terminal-Bench 2.0 (81,8 %) ist die reproduzierbarste Zahl, die wir zum Modell haben.
Benchmark-Platzierungen

Wo GPT 5.4 auf jeder öffentlichen Benchmark-Quelle mit Zeile steht. Rang zählt jedes Modell mit neuester Zeile im selben Test — kein universeller Qualitätsscore.

BenchmarkFamilyRangScoreQuelleDatum
AA time to first tokenPerformance#1/ 69Artificial Analysis2026-07-21
AA-LCRLong context#3/ 6474Artificial Analysis2026-07-21
DeepSWECoding#4/ 652DeepSWE leaderboard v1.12026-06-20
BFCLTool use#5/ 2084Berkeley Function Calling Leaderboard V42026-04-15
SciCodeCoding#5/ 6557Artificial Analysis2026-07-21
LiveBenchReasoning#6/ 2166LiveBench leaderboard2026-04-15
LongBench v2Long context#6/ 1954LongBench v2 leaderboard2026-04-01
MMLUKnowledge#7/ 2290OpenAI GPT-5.4 release2026-03-05
Terminal-BenchAgentic#7/ 6982Terminal-Bench 2.0 leaderboard2026-05-20
LMArena (Chatbot Arena)Human preference#8/ 1381LMArena leaderboard2026-05-25
Humanity's Last ExamReasoning#10/ 6542Artificial Analysis2026-07-21
Artificial Analysis Intelligence IndexReasoning#11/ 6751Artificial Analysis2026-07-21
SWE-bench VerifiedCoding#12/ 2380SWE-bench official leaderboard2026-05-30
GPQA DiamondReasoning#13/ 6992Artificial Analysis2026-07-21
ARC-AGIReasoning#14/ 140ARC-AGI-3 paper (arXiv 2603.24621)2026-03-20
AA output speedPerformance#17/ 69Artificial Analysis2026-07-21
IFBenchReasoning#22/ 5774Artificial Analysis2026-07-21
τ³-Bench BankingAgentic#26/ 6430Artificial Analysis2026-07-21
Family-Kontext

Die drei höchstscorierenden kartierten Modelle pro Capability-Family. Wo GPT 5.4 auftaucht, ist es hervorgehoben.

KnowledgeGPT 5.4 · 90
  1. 1
    GPT 5.5
    91
  2. 2
    Claude Opus 4.8
    91
  3. 3
    Claude Sonnet 4.6
    91
ReasoningGPT 5.4 · 92
  1. 1
    Claude Mythos Preview
    95
  2. 2
    GPT-5.6 Sol
    94
  3. 3
    Kimi K3
    94
CodingGPT 5.4 · 80
  1. 1
    GPT 5.5
    96
  2. 2
    Claude Opus 4.8
    96
  3. 3
    Claude Opus 4.6
    96
AgenticGPT 5.4 · 82
  1. 1
    GPT 5.5
    100
  2. 2
    Claude Opus 4.8
    100
  3. 3
    Claude Fable 5
    100
Long contextGPT 5.4 · 74
  1. 1
    Kimi K3
    75
  2. 2
    GPT-5.1
    75
  3. 3
    GPT-5.6 Sol
    74
Tool useGPT 5.4 · 84
  1. 1
    Claude Sonnet 4.6
    89
  2. 2
    GPT 5.5
    87
  3. 3
    Claude Opus 4.8
    87
Human preferenceGPT 5.4 · 81
  1. 1
    GPT 5.5
    95
  2. 2
    Claude Opus 4.8
    92
  3. 3
    Gemini 3.5 Flash
    91
Neueste Belege

Benchmark-Zeilen im öffentlichen Ledger für GPT 5.4 in den letzten 120 Tagen. Ältere Zeilen stehen in der vollen Tabelle unten.

16 neu
BenchmarkFamilyScoreQuelleTage her
AA-LCRLong context74%Artificial Analysis2
AA output speedPerformance152 t/sArtificial Analysis2
AA time to first tokenPerformance129.43sArtificial Analysis2
Artificial Analysis Intelligence IndexReasoning51.4%Artificial Analysis2
GPQA DiamondReasoning92%Artificial Analysis2
Humanity's Last ExamReasoning41.6%Artificial Analysis2
IFBenchReasoning73.95%Artificial Analysis2
SciCodeCoding56.6%Artificial Analysis2
τ³-Bench BankingAgentic30.31%Artificial Analysis2
DeepSWECoding52%DeepSWE leaderboard v1.133
SWE-bench VerifiedCoding80%SWE-bench official leaderboard54
LMArena (Chatbot Arena)Human preference1405LMArena leaderboard59
Terminal-BenchAgentic81.8%Terminal-Bench 2.0 leaderboard64
BFCLTool use83.8%Berkeley Function Calling Leaderboard V499
LiveBenchReasoning66.4%LiveBench leaderboard99
LongBench v2Long context54.2%LongBench v2 leaderboard113
Family-Abdeckung

Ein hoher Composite, der eine schwache Family versteckt, ist eine Falle. Diese Balken zeigen Families ohne öffentlichen Test — und wo das Modell führt.

Knowledge90
Reasoning92
Coding80
Agentic82
Long context74
Tool use84
Human preference81
Preis vs. Performance
0255075100$0.10$0.30$1$3$10$30input USD / 1M tokens · log scale →← intelligence

Hover or tab any dot for name, score, and input price.

AnthropicOpenAIMistralAlibabaDeepSeekGoogleMoonshotMiniMaxxAIMetaZhipuXiaomiMeituanCohere

Volles Benchmark-Ledger

Jeder Katalog-Benchmark für GPT 5.4. Scores verlinken zur Originalquelle; Lücken heißen: noch keine öffentliche Zeile.

18 Quell-Zeilen

18 of 32 catalog benchmarks have a sourced row for GPT 5.4.

Knowledge

Reasoning

Coding

Agentic

Long context

Tool use

Performance

Human preference

Changelog
  1. GPT 5.4 veröffentlicht — AA-Index 56,8, Terminal-Bench 2.0 81,8 % (ForgeCode).
  2. GPT 5.2 für allgemeine Verfügbarkeit ausgemustert.
Quellen