GPT-5操控电脑微信实测记录与操作全解析

OpenAI在深夜发布了GPT-5.4，这次更新来得相当突然。新模型在推理、多模态理解和实际操控能力上都有所宣传，那么它的实际表现究竟如何？我们通过几个维度的实测来一探究竟。

发布节奏之快，确实让人有些应接不暇。这边5.3 Instant才上线不久，5.4版本又接踵而至。这种迭代速度，无疑给整个行业带来了新的压力。

根据官方信息和早期媒体报道，此次升级的亮点颇多。例如，代码能力得到增强，支持在构建应用时进行实时操控，实现了边写代码边同步修改的流畅体验。

更引人注目的是，GPT-5.4将上下文窗口支持提升到了惊人的100万Token。这为处理超长文档和复杂任务打开了新的可能性。

不过，真正引发广泛讨论的，是模型在推理过程中展现出的某种“特质”。Hyperbolic联合创始人金宇晨在社交平台上分享了一个有趣的案例：仅仅向GPT-5.4 Pro发送了一个简单的“Hi”，模型就进行了深度“思考”，消耗了高达80美元的计算成本。这种对简单指令的过度分析，被戏称为“迪化思考”。

抛开这些轶事，模型的核心能力究竟如何？接下来，我们将从推理、多模态理解、写作以及实际的电脑操控几个方面，进行一轮实测。

一、推理能力实测

谈到推理，不得不提近期AI圈的一个热门事件：Claude Opus 4.6解决了计算机科学泰斗高德纳（Donald Knuth）提出的一道图论猜想。

这位88岁的《计算机程序设计艺术》作者，自己研究数周未果的难题，被Claude通过31步探索找到了构造方法。这并非简单的总结或分析，而是真正的创造性解决。高德纳本人也因此表示，需要重新评估生成式AI在数学研究中的潜力。

这道题的难度在于，它要求在一个三维网格空间中，找到三条哈密顿环，恰好覆盖所有边且互不重叠。试图通过暴力枚举来解决，几乎是天方夜谭。

那么，GPT-5.4面对同样的问题表现如何？需要说明的是，测试时使用的网页版GPT-5.4知识截止日期为2025年8月。

将问题提交给GPT-5.4后，它花费了约20分钟进行解析，其中思考时长约14分钟。然而，其思考过程并非独立推演。模型很快便联网搜索到了Claude解决该问题的相关论文，并依据论文内容重新组织语言进行了解答。这更像是一种高效的“信息检索与整合”，而非原创性的“问题解决”。

为了进一步测试其推理边界，我们要求它尝试推导该猜想中尚未被证实的部分（即m>2时的分解问题）。结果不出所料，GPT-5.4直接表示无法进行有效推理。从某个角度看，这种坦诚的“不会”，或许也算是一种可贵的品质。

二、多模态与“审美”能力

根据公开数据，GPT-5.4在MMMU-Pro视觉推理测试中取得了81.2%的准确率，远高于GPT-5.2。MMMU-Pro是一个专注于多学科专业知识的多模态理解与推理基准。

我们设计了一个更简单、更主观的测试：展示两张低像素的图片，直接询问模型“哪张效果更好”。

GPT-5.4的回答非常笃定，毫不犹豫地选择了右边——那张依稀可辨的《蒙娜丽莎》图像。

当然，必须承认，两张测试图片的视觉效果都谈不上“好”。这个测试的目的并非追求标准答案，而是观察模型在模糊、主观情境下的决策方式。作为对比，将同样的问题抛给GPT-5.2时，它选择了“要分情况讨论”。

问题的关键不在于对错，而在于这种“笃定”。可以推测，GPT-5.4并非在进行真正的审美判断，而是识别出了高权重的经典图像标签，并输出了一个统计概率最高的答案。这从一个侧面反映了当前多模态模型的工作机制：基于模式识别进行概率预测，而非人类意义上的价值判断。

三、文本创作能力

在文本创作方面，我们进行了一个简单的“小作文”测试。结果发现，GPT-5.4生成的文本偏向口语化，排比句使用较多，整体风格较为平实。

使用相同的提示词让Claude 4.6 Sonnet进行创作，得到的文本则显得更为书面化，甚至有些“文绉绉”。

如果非要打个比方，Claude的写作像是一位刻意追求辞藻的文学青年，而GPT-5.4则像一位被要求完成作业的中学生，重在完成而非出彩。在创意写作领域，当前的主流模型似乎都还有很长的路要走。

四、编程与原生操控体验

编程能力是本次升级的重点宣传方向之一。我们使用Three.js让GPT-5.4生成一颗钻石的3D模型，意图同时测试其编程指令理解与基础的空间审美。

生成结果有些令人意外。模型确实输出了一个具备钻石形状的几何体，但缺失了关键的光影、折射和透明质感，在黑色背景下看起来更像一块“煤”。

将其与Gemini 3 Pro和Claude 4.6 Sonnet的生成结果进行对比，差异更为明显。后两者生成的模型在材质和光效上更接近真实钻石的视觉感受。

接下来是本次更新中被热议的“电脑操控”功能。许多评测称其几乎可以操作电脑上的一切。我们通过Codex CLI（测试时仅支持5.3版本）进行了实际体验。

其底层逻辑并不复杂：模型通过不断截图来“看到”屏幕，分析当前状态，然后执行鼠标点击、键盘输入等操作。这意味着它总是基于“上一秒”的屏幕状态做出决策。

实测发现，对于系统原生应用（如日历），模型能够较为流畅地调用系统接口完成任务。

然而，一旦切换到第三方应用（如微信），稳定性就开始下降。模型能够完成搜索联系人并发送消息的基本操作。

但也会出现一些令人啼笑皆非的Bug。例如，当联系人名称中包含一个简单的横杠“-”时，指令就可能被错误解析，将“发送消息”操作变成“搜索”操作。

有时，它输入的消息内容也会出错，甚至变成无意义的乱码。目前的体验结论是：对于简单的系统级任务，该功能可用；但指令越复杂，操作环境越非常规，翻车的概率就越高。距离成为可靠的“AI员工”，显然还有不少需要打磨的细节。

五、价格与理性看待

最后，无法回避的是价格问题。GPT-5.4的Token单价相比5.2版本又有上涨。对于普通开发者和重度用户而言，这无疑增加了使用成本。

高昂的定价策略，一方面反映了模型训练与维护的巨大成本，以及企业构建技术护城河的商业考量；另一方面，也促使市场将更多目光投向其他可能提供更高性价比的竞争者。每一次的价格调整，都在考验着用户的钱&包和忠诚度。

总而言之，GPT-5.4在长上下文、代码实时交互和系统操控方面确实展现了明确的进步，部分能力达到了宣传的预期。但在创造性推理、复杂任务鲁棒性以及性价比方面，仍然存在明显的争议和提升空间。技术的迭代从未停止，理性的评测和实际体验，或许比单纯的参数对比更有价值。