Buduj z CometAPIPotrzebujesz jednego API dla wielu modeli?Przetestuj proces w Playground, a potem utwórz klucz API, gdy model i koszt pasują do Twojego zastosowania.
Jak korzystać z GPT-5.4 API: przewodnik po parametrach i użyciu narzędzi - CometAPI
Jak korzystać z GPT-5.4 API: przewodnik po parametrach i użyciu narzędzi
GPT-5.4 to nowy model typu frontier od OpenAI, dostosowany do złożonej pracy profesjonalnej: duży kontekst (≈1.05M tokenów), wbudowane computer-use + ulepszone narzędzia (odroczone ładowanie narzędzi / tool_search), nowe mechanizmy sterowania rozumowaniem oraz wariant „Pro” o wysokiej mocy obliczeniowej do trudniejszych problemów. Ten przewodnik wyjaśnia, czym jest GPT-5.4, kluczowe usprawnienia, jak wywoływać go z Responses API (przykłady w Pythonie i JavaScripcie), sterowanie parametrami (reasoning.effort, text.verbosity, flagi narzędzi), jak bezpiecznie używać narzędzi (w tym narzędzia „computer use”)
W dniach 5–7 marca 2026 r. OpenAI publicznie udostępniło GPT-5.4, model z czołówki wyraźnie dostrojony do profesjonalnych, dokumentochłonnych i agentowych przepływów pracy. Wydanie podkreśla trzy zbieżne usprawnienia: (1) znacząco większe okna kontekstu (≈1,050,000 tokenów), (2) nową zdolność „reasoning”, która pozwala deweloperom kontrolować wewnętrzny wysiłek rozumowania, oraz (3) pełnej klasy użycie komputera / orkiestracja narzędzi i ulepszone rozumienie multimodalne (tekst + obrazy + zrzuty ekranu). Te funkcje sprawiają, że GPT-5.4 szczególnie dobrze nadaje się do zadań takich jak modelowanie arkuszy kalkulacyjnych, przegląd umów, generowanie slajdów, wieloetapowe agentowe przepływy pracy oraz pisanie kodu obsługującego systemy działające na żywo.
Możesz skorzystać z w . Wariant o wyższych zasobach obliczeniowych — — jest dostępny do najtrudniejszych zadań wymagających rozumowania i pracy wieloturowej.
GPT-5.4 jest pozycjonowany jako „frontier” model GPT-5 do złożonej pracy profesjonalnej: długich dokumentów, kodu, wieloetapowego rozumowania i agentowych przepływów pracy. Wydanie scala możliwości wcześniej rozdzielone między Codex (kodowanie) i linię GPT — otrzymujesz więc jeden model, który potrafi kodować, rozumować, korzystać z narzędzi i zarządzać długim kontekstem. Oficjalny przewodnik po modelach wymienia gpt-5.4 jako domyślny do większości zadań oraz gpt-5.4-pro do najtrudniejszych problemów.
Kluczowe specyfikacje (oficjalne):
Okno kontekstu: ~1,050,000 tokenów (≈ 700–800k słów po angielsku), co umożliwia bardzo duże wejścia, takie jak całe szkice książek, wieloplikowe bazy kodu lub długie dokumenty prawne.
Maksymalna liczba tokenów wyjściowych: raporty wskazują na wsparcie bardzo dużych wyjść (np. do 128,000 tokenów w niektórych konfiguracjach Pro).
Warianty:gpt-5.4 (domyślny), gpt-5.4-pro (więcej obliczeń, dłuższe myślenie), oraz lżejsze/mini modele dla zastosowań wrażliwych na koszty.
Wyjaśnienie „Thinking” i „Pro”
GPT-5.4 Thinking: tryb dostrojony pod interaktywne rozumowanie. Akcentuje przepływy pracy „najpierw plan” — model może przedstawić plan z góry („plan wstępny”) przed wygenerowaniem pełnych wyników, co pozwala na sterowanie w trakcie generacji i ogranicza marnowanie tokenów na błędne kierunki. Ten tryb zwiększa widoczność zamierzonych kroków modelu i czyni długie zadania bezpieczniejszymi oraz bardziej kontrolowalnymi.
GPT-5.4 Pro: wysokoobliczeniowy bliźniak do najtrudniejszych problemów — głębszy łańcuch rozumowania, większe budżety wewnętrznych obliczeń oraz bardziej deterministyczne/stabilne wyniki na wymagających benchmarkach. Jest udostępniany w Responses API i jest przeznaczony do ciężkich zadań wieloturowych opartych na rozumowaniu (oczekuj wyższej latencji i kosztów).
Kluczowe usprawnienia i nowe funkcje w GPT-5.4
Ogromne okna kontekstu (≈1,050,000 tokenów)
To jedna z najważniejszych popraw: model, który może konsumować i rozumować nad całymi książkami, wieloplikowymi bazami kodu lub zestawami dokumentów przedsiębiorstwa bez podawania ich strumieniowo. Praktycznie upraszcza to zadania takie jak kompleksowy przegląd umów, podsumowanie pełnych dokumentów i Q&A na wielu dokumentach. Przykładowe zastosowania: due diligence prawne, audyty techniczne, logi agentów.
Uwaga praktyczna: większe okno kontekstu zmienia projektowanie systemu — zamiast agresywnego dzielenia na fragmenty można teraz utrzymać więcej „globalnego” stanu w kontekście, ale nadal należy stosować kompresję (zob. Sterowanie parametrami), aby koszty były rozsądne.
Rodzime użycie komputera i integracje narzędzi
GPT-5.4 jest pierwszym modelem ogólnego przeznaczenia z rodzimymi możliwościami użycia komputera: generuje sekwencje działań w przeglądarce lub systemie operacyjnym (skrypty Playwright, zdarzenia klawiatury/myszki), odczytuje zrzuty ekranu, wchodzi w interakcje z interfejsami WWW i orkiestruje wielonarzędziowe przepływy pracy. To duży krok w kierunku budowania autonomicznych agentów, które wykonują rzeczywiste zadania end-to-end.
GPT-5.4 zawiera wbudowane użycie komputera: model może współpracować z lokalnymi/zdalnymi agentami programowymi, wywoływać konektory, manipulować arkuszami, robić zrzuty ekranu i automatyzować wieloetapowe przepływy pracy, gdy ma na to pozwolenie. Ogranicza to „klejowy” kod: zamiast budować kruche obwoluty instrukcji, model może działać w pętli build-run-verify-fix (zachowanie agentowe) używając udokumentowanych API narzędzi. To duży krok w kierunku bezpiecznych, praktycznych agentów autonomicznych.
Tryby rozumowania i reasoning.effort
Strojony parametr reasoning.effort pozwala kontrolować, ile wewnętrznych obliczeń model inwestuje w łańcuch rozumowania i poszukiwanie rozwiązania (opcje: none, low, medium, high, xhigh). Wyższy wysiłek daje lepsze odpowiedzi w złożonych problemach, ale kosztuje więcej i zwiększa latencję — idealny dla gpt-5.4-pro.
Planowanie z góry / plany interaktywne
„Plany z góry” pozwalają modelowi wyprowadzić krótki plan przed rozpoczęciem długiego generowania. Plan można przejrzeć i zmodyfikować przez dewelopera lub użytkownika, minimalizując stracone wyjścia i umożliwiając korekty kursu w trakcie zadania (świetne przy tworzeniu długich dokumentów lub wieloetapowych analizach).
Lepsze umiejętności multimodalne/dokumentowe
Benchmarki i wewnętrzne ewaluacje opublikowane wraz z modelem pokazują duże wzrosty w zadaniach arkuszowych (wewnętrzna ewaluacja arkusza: średnio GPT-5.4 87,3% vs GPT-5.2 68,4%) oraz preferencję ludzi dla wyników prezentacji (prezentacje z GPT-5.4 preferowane w 68% vs GPT-5.2 w testach z udziałem ludzi). Firma raportuje też redukcje błędów faktograficznych (fałszywość pojedynczego twierdzenia w dół o ~33%, ogólny odsetek błędów odpowiedzi w dół o ~18% względem GPT-5.2).
Jak używać API GPT-5.4 (Responses API / Chat API)
GPT-5.4 pro wspiera wyłącznie dostęp do odpowiedzi. GPT-5.4 (thinking) wspiera chat i odpowiedzi. CometAPI (jedna platforma agregująca API dużych modeli ze zniżkami) oferuje serię GPT-5.4, dwa sposoby dostępu i kompatybilne, pomocne playgroundy.
Uwaga: Responses API jest zalecaną integracją dla modeli GPT-5.x, ponieważ bezpośrednio wspiera parametry rozumowania, rejestrację narzędzi i większe rozmiary kontekstu.
Python — Responses API (przykładowe)
# pip install openai (or use the official package named in docs)
from openai import OpenAI
import os
api_key = os.environ.get("OPENAI_API_KEY") # or set env var
client = OpenAI(api_key=api_key)
resp = client.responses.create(
model="gpt-5.4-pro-2026-03-05",
input="How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
reasoning={"effort": "high"}, # hidden internal reasoning tokens used
max_output_tokens=4096, # keep below max output limit for your use case
temperature=0.0, # deterministic for legal/technical tasks
tools=[ # optionally register tools the model can call
{
"name": "file_search",
"type": "file_search",
"config": {"root": "/mnt/data/contracts"}
}
],
response_format={"type":"json", "json_schema":{
"name":"redlines",
"schema":{"type":"object","properties":{"summary":{"type":"string"},"redlines":{"type":"array","items":{"type":"object"}}}}
}}
)
print(resp.output_text) # final model answer
Notatki: reasoning to obiekt kontrolujący wewnętrzny wysiłek; tools rejestruje dostępne interfejsy narzędzi, które model może zawołać; response_format wymusza strukturalne wyjście. Dostępne wartości etykiet dla reasoning.effort wahają się od none (najszybszy) do xhigh (największy wewnętrzny wysiłek), zależnie od wsparcia SDK i dostawcy. Używaj niskiego wysiłku do prostych podsumowań; podnoś go dla złożonych, wieloetapowych zadań.
Korzystanie z narzędzi z GPT-5.4 (Computer Use, konektory i agenci)
Najbardziej praktyczny skok GPT-5.4 to jego agentowe, świadome narzędzi zachowanie: potrafi odkrywać i wywoływać właściwe narzędzie, działać na arkuszach i interfejsach UI po autoryzacji oraz rozumować o działaniach, które podejmie.
GPT-5.4 jest zaprojektowany do pracy z narzędziami. Warto rozważyć trzy główne klasy narzędzi:
Hostowane narzędzia (np. web_search, file_search) — model może je wywoływać w ramach pętli odpowiedzi. Świetne do pozyskiwania aktualnych informacji lub odpytywania baz wektorowych.
Narzędzia niestandardowe / wywoływanie funkcji — własne endpointy serwera lub schematy funkcji. Zadeklaruj funkcje (schematy), aby model zwracał strukturalne wyjścia, które Twój kod wykona.
Użycie komputera — model emituje działania GUI i oczekuje, że „uprząż” je wykona (kliknięcia, pisanie, zrzuty ekranu). To potężne, ale wysokiego ryzyka.
Gdy masz dziesiątki/setki narzędzi, przekaż tool_search i pozwól modelowi odkryć istotne schematy narzędzi w czasie wykonywania. Zmniejsza to zużycie tokenów i buforuje wydajność między wdrożeniami.
Jak działa integracja narzędzi (koncepcyjnie)
Odkrywanie narzędzi: model znajduje dostępne konektory (np. Google Sheets, Salesforce, wewnętrzna baza danych) na podstawie katalogu.
Plan i uprawnienia: model wyprowadza plan z góry opisujący, które narzędzia wywoła i dlaczego; jest on przeglądany i zatwierdzany.
Wywołanie i weryfikacja: model wywołuje narzędzia (przez konektory lub action API), odczytuje wyniki i przeprowadza testy weryfikacyjne (lub prosi o potwierdzenie człowieka).
Pętla napraw: przy niepowodzeniach model próbuje napraw lub prosi o wskazówki.
Ten wzorzec redukuje kruche, niestandardowe orkiestracje i centralizuje logikę w modelu, ale wymaga ścisłej kontroli dostępu i dzienników audytowych.
Wywoływanie z narzędziami (web_search / file_search / użycie komputera)
Responses API wspiera przekazanie tablicy tools. Model może wybierać narzędzia (hostowane jak web_search, file_search), lub możesz z góry zadeklarować i ograniczyć narzędzia. Przykład: poproś model o użycie wyszukiwania w sieci.
response = client.responses.create( model="gpt-5.4", input="What are the three most-cited 2025 papers on federated learning?", tools=[{"type": "web_search", "name": "web_search"}], tool_search={"enabled": True})
Jeśli przekażesz wiele definicji narzędzi, tool_search pozwala GPT-5.4 odroczyć ładowanie większości narzędzi i załadować tylko istotne — kluczowe w dużych ekosystemach narzędzi.
Przewodnik kompatybilności i sterowania parametrami GPT-5.4
Tradycyjne parametry LLM nadal istnieją, ale są ograniczane w zależności od trybu rozumowania.
Podstawowe parametry API GPT-5.4
reasoning.effort: Poniższe parametry są w pełni wspierane i zalecane przy wywoływaniu GPT-5.4. Kontrolują, ile wewnętrznego rozumowania model wykonuje przed generowaniem finalnego wyniku.
Obsługiwane wartości:
nonelowmediumhighxhigh
Przykład:
response = client.responses.create( model="gpt-5.4", reasoning={"effort": "high"}, input="Explain the Nash equilibrium in game theory.")
Efekty:
Wartość
Zachowanie
none
Najszybsza odpowiedź
low
Lekka dawka rozumowania
medium
Domyślna równowaga
high
Silne rozumowanie
xhigh
Maksymalna głębia
Wyższy wysiłek rozumowania generalnie zwiększa:
dokładność odpowiedzi
tokeny rozumowania
latencję
koszt
Domyślny poziom to zwykle medium.
Tools
Definiuje narzędzia, które model może wywołać. tools + tool_search
tool_search odracza ładowanie definicji narzędzi dla efektywności; włącz go przy dużych zestawach narzędzi.
Ważna zasada kompatybilności: Gdy reasoning.effort ≠ none, niektóre parametry próbkowania mogą nie być wspierane. Jeśli reasoning.effort to high, żądanie może się nie powieść lub zignorować temperature.
Modele GPT-5.4 wyłączają parametry takie jak:
temperature
top_p
logprobs
ponieważ modele rozumujące kontrolują próbkowanie wewnętrznie.
temperature Kontroluje losowość w próbkowaniu tokenów.
stop: Zatrzymuje generowanie po napotkaniu określonych tokenów.
Przydatne do:
generowania kodu
potoków narzędziowych
delimiterów czatu
Verbosity: Kontroluje długość odpowiedzi.
W GPT-5 pojawiło się kilka nowych parametrów, w tym GPT-5.4.
Wartości:
lowmediumhigh
Przykład:
verbosity="high"
Zastosowania:
Wartość
Zachowanie
low
zwięzłe odpowiedzi
medium
zbalansowane
high
długie wyjaśnienia
Ten parametr pomaga kontrolować długość wyjścia bez manipulowania limitami tokenów.
Różnice parametrów GPT-5.4
Poniżej uproszczony wykaz kompatybilności.
Parametr
reasoning:none
reasoning:low+
temperature
✓
✗ / ignorowane
top_p
✓
✗
logprobs
✓
✗
max_output_tokens
✓
✓
tools
✓
✓
tool_choice
✓
✓
verbosity
✓
✓
reasoning.effort
✓
✓
Porównanie parametrów i możliwości GPT-5.4 oraz GPT-5.4-Pro
Funkcja
GPT-5.4
GPT-5.4-Pro
Elastyczność rozumowania
Pełny zakres od none → xhigh
Tylko medium → xhigh
Latencja
Niższa
Wyższa (złożone zadania mogą trwać minuty)
Koszt
Niższy
Wyższy z uwagi na dodatkowe obliczenia
Wykonanie w tle zalecane
Opcjonalne
Zalecane dla długich zadań
Obsługiwane poziomy rozumowania
none, low, medium, high, xhigh
medium, high, xhigh
Najlepsze praktyki wdrażania GPT-5.4 w produkcji
1) Zacznij od małego, potem zwiększaj rozumowanie
Rozpocznij od reasoning.effort=none/low + text.verbosity=low dla endpointów wrażliwych na latencję.
Dla złożonych przepływów przejdź do medium, a następnie high dopiero po testach A/B koszt vs dokładność.
2) Preferuj strukturalne wyjścia do zadań programistycznych
Używaj schematów funkcji lub schematów JSON/Pydantic, aby model zwracał wyniki parsowalne przez maszynę; zmniejsza to błędy parsowania w dalszych etapach.
3) Zachowaj człowieka w pętli przy decyzjach wysokiego wpływu
Każdy przepływ obejmujący pieniądze, skutki prawne lub dane osobowe powinien wymagać zatwierdzenia przez człowieka przed efektami zewnętrznymi.
4) Ogranicz eksponowane możliwości
Używaj list allowed_tools (domyślnie odmawiaj) i granulowanych uprawnień do narzędzi. Dla użycia komputera egzekwuj ścisłą białą listę działań.
5) Budżetowanie kosztów i tokenów
Używaj max_output_tokens i text.verbosity dla przewidywalnych kosztów. Dla bardzo dużych kontekstów stronicuj lub kompresuj zawartość tam, gdzie to właściwe — nawet przy 1M tokenów strategie kompakcji/selektowania pomagają obniżać koszt.
Uwagi końcowe — migracja i kolejne kroki
GPT-5.4 stanowi znaczący krok naprzód w budowaniu systemów AI, które mogą myśleć więcej, pracować w różnych programach i obsługiwać bardzo duże konteksty. Dla większości zespołów zalecana ścieżka migracji to:
Prototypuj na niewielkim podzbiorze przepływów (np. przegląd umów, generowanie slajdów) używając aliasu gpt-5.4 w piaskownicy.
Mierz dokładność zadań, użycie tokenów, latencję i koszt względem wcześniejszych modeli.
Utwardzaj przez dodanie strukturalnych wyjść, zabezpieczeń narzędzi i zatwierdzeń przez człowieka dla ryzykownych przepływów.
Zniżki API w CometAPI mogą rozwiązać problem, jeśli wymagania kosztowe lub opóźnienia wymuszą taki wybór.
Deweloperzy mogą uzyskać dostęp do GPT-5.4, GPT-5.4-pro, API przez CometAPI już teraz. Na początek poznaj możliwości modelu w Playground i zapoznaj się z przewodnikiem API po szczegółowych instrukcjach. Przed dostępem upewnij się, że zalogowałeś się do CometAPI i uzyskałeś klucz API. CometAPI oferuje ceny znacznie niższe niż oficjalne, aby pomóc w integracji.