如何使用 GPT-5.4 API：參數與工具使用指南

在 2026 年 3 月 5–7 日，OpenAI 面向公眾推出了 GPT-5.4，一款專為專業、文檔密集與代理式工作流程調校的前沿模型。本次發佈重點強調三項匯聚式進步：(1) 大幅提升的上下文視窗（≈1,050,000 個 token），(2) 新的「推理」能力，允許開發者控制內部推理投入，(3) 一流的電腦操作／工具編排與更強的多模態理解（文字 + 圖像 + 螢幕截圖）。這些特性使 GPT-5.4 特別適合試算表建模、合約審閱、投影片生成、多步驟代理式流程，以及編寫可操作線上系統的程式碼等任務。

你可以在 GPT-5.4 於 CometAPI 體驗。運算資源更高的變體 — GPT-5.4 Pro — 可用於最艱難的推理與多輪對話工作負載。

什麼是 GPT-5.4（包含 Thinking 與 Pro 變體）

型號家族概覽

GPT-5.4 被定位為面向複雜專業工作的 GPT-5「前沿」模型：長篇文檔、程式碼、多步推理與代理式工作流程。本次發佈整合了此前分屬於 Codex（編碼）與 GPT 系列的能力——因此你可獲得一個能編碼、推理、使用工具並管理長上下文的單一模型。官方模型指南將 gpt-5.4 列為大多數工作的預設選擇，gpt-5.4-pro 用於最棘手的問題。

關鍵規格（官方）：

• 上下文視窗：約 1,050,000 個 token（約 70–80 萬英文字），可處理極大輸入，例如整本書的草稿、多檔案程式碼庫或冗長法律文件。
• 最大輸出 token 數：有報告指稱支援極大的輸出（例如某些 Pro 配置可達 128,000 個 token）。
• 變體： gpt-5.4（預設）、gpt-5.4-pro（更高計算、更長思考），以及面向成本敏感場景的輕量／迷你模型。

「Thinking」與「Pro」說明

• GPT-5.4 Thinking：一種為互動式推理調校的模式。它強調「先規劃後生成」的工作流程——模型可能在輸出完整結果前先給出一份計劃（「upfront plan」），允許在生成過程中進行引導，降低在錯誤方向上的 token 浪費。此模式提升對模型預期步驟的可見度，使長任務更安全、更可控。
• GPT-5.4 Pro：面向最艱難問題的高計算姊妹款——更深的思維鏈、更大的內部計算預算，並在困難基準上具有更高的穩定性／可重現性。它在 Responses API 中提供，適合多輪、重推理任務（需預期更高延遲與成本）。

---

GPT-5.4 的關鍵改進與新功能

大規模上下文視窗（≈1,050,000 個 token）

這是其中一項重磅改進：模型可以一次性讀入並推理整本書、多檔案程式碼庫，或企業級文件集，而不必分段串流。實務上，這簡化了端到端合約審閱、完整文檔摘要與多文檔問答等任務。使用場景：法律盡職調查、技術稽核以及代理日誌。

實務註記：更大的上下文視窗會改變系統設計——相比過去的激進分塊，你現在可以在上下文中保留更多「全域」狀態，但仍應使用壓縮策略（見參數控制）以控制成本。

原生電腦操作與工具整合

GPT-5.4 是首個具備原生電腦操作能力的通用模型：可生成瀏覽器或作業系統動作序列（Playwright 指令碼、鍵盤／滑鼠事件）、讀取螢幕截圖、與網頁 UI 互動，並協調多工具工作流程。這是邁向打造能端到端執行實際任務之自主代理的一大步。

GPT-5.4 內建電腦操作：模型可與本地／遠端軟體代理互動、呼叫連接器、操作試算表、擷取螢幕截圖，並在授權下自動化多步驟工作流程。這減少了膠水代碼：相較於打造脆弱的指令包裝，模型可使用已文件化的工具 API 進行建構—執行—驗證—修復的循環（代理式行為）。這是邁向安全、實用自主代理的重要一步。

推理模式與 reasoning.effort

可調的 reasoning.effort 參數允許你控制模型在思維鏈與解法搜尋上投入多少內部計算（選項：none、low、medium、high、xhigh）。更高的投入能為複雜問題帶來更佳答案，但成本更高、延遲更長——非常適合 gpt-5.4-pro。

前置規劃／互動式計劃

「前置計劃」讓模型在長生成之前先輸出一份短計劃。開發者或使用者可檢視並修改該計劃，將無效輸出最小化，並支持中途修正方向（非常適合長文檔創作或多步驟分析）。

更佳的多模態／文檔能力

隨模型發佈的基準與內部評測顯示，在試算表任務上有顯著提升（示例內部試算表評測：GPT-5.4 平均 87.3%，對比 GPT-5.2 的 68.4%），在人類偏好之簡報輸出上亦更受青睞（人評偏好 GPT-5.4 生成之簡報 68%，相對 GPT-5.2）。官方亦稱事實性錯誤有所下降（單一聲明錯誤率下降約 33%，完整回應錯誤率下降約 18%，對比 GPT-5.2）。

如何使用 GPT-5.4 API（Responses API / Chat API ）

GPT-5.4 pro 僅支援 response 存取。 GPT-5.4（thinking）支援 chat 與 responses。CometAPI（一家聚合多家大模型 API 並提供折扣的一站式平台）提供 GPT-5.4 系列、兩種接入方式與相容且實用的 playground。

注意：對 GPT-5.x 模型而言，建議使用 Responses API，因其直接支援推理參數、工具註冊與更大的上下文大小。

Python — Responses API（示例）

# 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

注意：reasoning 是一個控制內部投入的物件；tools 用於註冊模型可呼叫的工具介面；response_format 用於強制結構化輸出。reasoning.effort 可用的標籤值範圍由 none（最快）到 xhigh（最高內部投入），具體依 SDK 與供應商支援而定。簡單摘要使用低投入；對於複雜、多步任務再提高。

Crul— chat API（示例）

curl --location --request POST 'https://api.cometapi.com/v1/chat/completions' \
--header 'Authorization: Bearer ' \
--header 'Content-Type: application/json' \
--data-raw '{
  "model": "gpt-5.2\4",
  "messages": [
    {
      "role": "system",
      "content": "You are a helpful assistant."
    },
    {
      "role": "user",
      "content": "Hello!"
    }
  ]
}'

在 GPT-5.4 中使用工具（電腦操作、連接器與代理）

GPT-5.4 最實用的飛躍是其代理化、工具感知的行為：它可以自動發現並呼叫合適工具，在授權下操作試算表與 UI，並推理其將採取的動作。

GPT-5.4 被設計為與工具協作。可考慮三大類工具：

1. 託管工具（例如 web_search、file_search）——模型可在回應循環中呼叫這些工具。非常適合擷取最新資訊或向量資料庫檢索。
2. 自訂工具／函式呼叫——你自己的伺服端端點或函式結構。宣告函式（結構），使模型回傳結構化輸出，便於你的程式執行。
3. 電腦操作——模型輸出 GUI 動作並期望由外層載具執行（點擊、輸入、截圖）。這很強大，但風險高。

當你擁有數十／數百個工具時，傳入 tool_search，讓模型在執行時發現相關工具結構。這能降低 token 使用，並在跨部署中改善快取效能。

工具整合的運作方式（概念）

1. 工具發現：模型基於工具目錄找出可用連接器（例如 Google Sheets、Salesforce、內部資料庫）。
2. 計劃與授權：模型輸出一份前置計劃，說明將呼叫哪些工具與原因；此計劃會被檢視與核准。
3. 呼叫與驗證：模型呼叫工具（透過連接器或動作 API），讀取結果，並進行驗證檢查（或請求人工確認）。
4. 修復循環：失敗時，模型嘗試修復或請求指引。

此模式降低脆弱的自訂編排，將邏輯集中於模型，但需要嚴格的存取控制與稽核日誌。

使用工具進行調用（web_search / file_search / 電腦操作）

Responses API 支援傳入 tools 陣列。模型可以選擇工具（如 web_search、file_search 等託管工具），或者你可以預先宣告並限制工具。例如：要求模型使用網路搜尋。

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})

如果你傳入大量工具定義，tool_search 允許 GPT-5.4 延後載入大多數工具，僅載入相關者——對大型工具生態至關重要。

GPT-5.4 參數相容性與控制指南

傳統 LLM 參數仍然存在，但會因推理模式而受限。

GPT-5.4 核心 API 參數

reasoning.effort：以下參數在呼叫 GPT-5.4 時完全支援且建議使用。用於控制模型在最終輸出前執行多少內部推理。

支援的值：

nonelowmediumhighxhigh

示例：

response = client.responses.create(    model="gpt-5.4",    reasoning={"effort": "high"},    input="Explain the Nash equilibrium in game theory.")

效果：

更高的推理投入通常會提升：

• 答案準確度
• 推理 token 使用量
• 延遲
• 成本

預設等級通常為 medium。

Tools

定義模型可呼叫的工具。tools + tool_search

• tool_search 為效率起見延後載入工具定義；在大型工具集合中建議啟用。
• tools 宣告工具定義（web_search、file_search、自訂 RPC）。

支援的內建工具包括：

• 網路搜尋
• 檔案搜尋
• 程式碼直譯器
• 影像生成

示例：

tools=[{
   "name":"get_weather",
   "description":"Get current weather",
   "parameters":{
      "type":"object",
      "properties":{
         "city":{"type":"string"}
      }
   }
}

取樣參數（隨機性控制）

重要相容性規則：當 reasoning.effort ≠ none 時，部分取樣參數可能不受支援。若 reasoning.effort 為 high，請求可能失敗或忽略 temperature。

GPT-5.4 模型會停用以下參數：

• temperature
• top_p
• logprobs

因為推理模型會在內部控制取樣。

1. temperature 控制 token 取樣中的隨機性。

示例：

{ "model": "gpt-5.4", "temperature": 0.2, "reasoning": { "effort": "none" }}

若 reasoning.effort 為 high，請求可能失敗或忽略 temperature。

2. top_p：Nucleus 取樣參數。

3. stop：在遇到特定 token 時停止生成。

適用於：

• 程式碼生成
• 工具管線
• 對話分隔

Verbosity：控制回應長度。

自 GPT-5 系列開始新增了若干新參數，包含 GPT-5.4。

可選值：

lowmediumhigh

示例：

verbosity="high"

使用情境：

此參數有助於在不調整 token 上限的情況下控制輸出長度。

GPT-5.4 的參數差異

以下為簡化相容性表。

GPT-5.4 與 GPT-5.4-Pro 的參數與能力比較

在生產中採用 GPT-5.4 的最佳實踐

1) 小步開始，逐步提升推理

• 對延遲敏感的端點，先使用 reasoning.effort=none／low + text.verbosity=low。
• 對複雜流程，先升至 medium，再在 A/B 測試成本與準確性後考慮 high。

2) 程式化任務優先結構化輸出

使用函式結構或 Pydantic/JSON 結構，以確保模型回傳可機器解析的輸出；可降低後續解析錯誤。

3) 高風險決策保留人審

凡涉金錢、法律結果或個資的流程，應在外部影響前要求人工核准。

4) 限制外露能力

使用 allowed_tools 清單（預設拒絕），並實施細粒度工具權限。對電腦操作，強制白名單動作。

5) 成本與 token 預算

使用 max_output_tokens 與 text.verbosity 以獲得可預測成本。對非常大的上下文，即使擁有 100 萬 token，也應視需要分頁或壓縮——選擇與壓縮策略能進一步降低成本。

結語——遷移與後續步驟

GPT-5.4 在打造能更會思考、跨軟體運作、處理超長上下文的 AI 系統方面邁出了重要一步。對大多數團隊，建議的遷移路徑是：

1. 原型：在沙盒中使用 gpt-5.4 別名，針對少量流程（如合約審閱、投影片生成）先行試點。
2. 量測：比較任務準確性、token 使用、延遲與成本，對照既有模型。
3. 鞏固：新增結構化輸出、工具防護與高風險流程的人審。
4. 若成本或延遲要求影響選型，CometAPI 的 API 折扣可以解決。

開發者現在即可透過 GPT-5.4、GPT-5.4-pro、經由 CometAPI 存取。要開始，請在 Playground 探索模型能力，並參閱 API guide 以獲得詳細指引。開始使用前，請確認你已登入 CometAPI 並取得 API 金鑰。CometAPI 提供遠低於官方的價格，協助你整合。

Ready to Go?→ 立即註冊 GPT-5.4！

若想獲取更多 AI 技巧、指南與新聞，請關注我們的 VK、X 與 Discord！