Solutions Choose your path
For individuals Build, learn, and create with simple usage-based access. For business Scale teams, billing, governance, and model workflows. More English 繁體中文 日本語 한국어 Français Deutsch Español Italiano Português Русский العربية ไทย Tiếng Việt Bahasa Indonesia Bahasa Melayu Türkçe Polski Nederlands Danish Norsk Қазақ اردو
免費開始 免費開始
500+ AI Model API, All In One API.
Just In CometAPI © 2026 CometAPI · All rights reserved
guide / CometAPI 研究
如何使用 GPT-5.4 API：參數與工具使用指南 GPT-5.4 是 OpenAI 為複雜專業工作調校的全新前沿模型：大型上下文（≈1.05M 個 tokens）、內建 computer-use 與改良的工具能力（延遲載入工具 / tool_search）、全新的推理控制，並提供面向更棘手問題的高算力「Pro」變體。本指南將說明 GPT-5.4 是什麼、關鍵改進、如何透過 Responses API 呼叫（Python 與 JavaScript 範例）、參數控制（reasoning.effort、text.verbosity、tooling flags），以及如何安全地使用工具（包括 “computer use” 工具）。
GPT-5.4 是 OpenAI 為複雜專業工作調校的全新前沿模型：大型上下文（≈1.05M 個 tokens）、內建 computer-use 與改良的工具能力（延遲載入工具 / tool_search）、全新的推理控制，並提供面向更棘手問題的高算力「Pro」變體。本指南將說明 GPT-5.4 是什麼、關鍵改進、如何透過 Responses API 呼叫（Python 與 JavaScript 範例）、參數控制（reasoning.effort、text.verbosity、tooling flags），以及如何安全地使用工具（包括 “computer use” 工具）。
先用這個摘要快速掌握答案，再閱讀指南取得背景、範例與實作細節。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)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
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
gpt-5.4
gpt-5.4-pro
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：
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。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。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）
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）。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。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）。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。
response = client.responses.create( model="gpt-5.4", reasoning={"effort": "high"}, input="Explain the Nash equilibrium in game theory.")
none 最快回應 low 輕量推理 medium 預設平衡 high 強推理 xhigh 最高推理深度
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）。 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。
temperaturetop_plogprobs
temperature 控制 token 取樣中的隨機性。 0.0 決定性 0.2–0.4 穩定 0.7 均衡 1.0 高創造性
{ "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。
0.9 考慮機率前 90% 的 token 0.5 保守生成 1.0 全分佈
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。
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 temperature ✓ ✗ / 忽略 top_p ✓ ✗ logprobs ✓ ✗ max_output_tokens ✓ ✓ tools ✓ ✓ tool_choice ✓ ✓ verbosity ✓ ✓ reasoning.effort ✓ ✓
GPT-5.4 與 GPT-5.4-Pro 的參數與能力比較 推理彈性 從 none → xhigh 的完整範圍 僅支援 medium → xhigh 延遲 較低 較高（複雜任務可能需數分鐘） 成本 較低 較高（因額外計算） 建議背景執行 選配 建議用於長任務 支援的推理等級 none、low、medium、high、xhigh medium、high、xhigh
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：
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。量測 ：比較任務準確性、token 使用、延遲與成本，對照既有模型。鞏固 ：新增結構化輸出、工具防護與高風險流程的人審。若成本或延遲要求影響選型，CometAPI 的 API 折扣可以解決。
