GPT-5.4 nano是OpenAI公司於2026年3月17日發布的AI模型，為GPT-5 nano的升級版本，主要面向對處理速度和成本較為敏感的套用場景。該模型在同類產品中體積較小。通過知識蒸餾和架構壓縮技術最佳化計算效率，具備較高的吞吐量和較低的延遲，在成本控制方面表現較好。它適用於文本分類、數據提取、內容排序及處理簡單輔助任務的編程子智慧型體等任務。在AI智慧型體架構中，GPT-5.4 nano可充當“前哨”或“四肢”角色，負責執行具體的、對延遲敏感的動作。該模型的設計目標之一是提升回響速度。在基準測試中，GPT-5.4 nano在SWE-Bench Pro中達到52.4%，在GPQA Diamond中達到82.8%，但在OSWorld-Verified視覺任務中得分為39.0%。
基本介紹
- 軟體名稱：GPT-5.4 nano
- 開發商：OpenAI 公司
- 上線時間：2026年3月17日
研發背景,發展歷程,主要功能,技術特點與優勢,性能數據,運營模式,套用場景,影響,
研發背景
GPT-5.4 nano的研發旨在以較低的成本覆蓋部分日常需求，釋放算力處理更複雜的問題。隨著端側AI（Edge AI）的興起，該模型適合部署在本地設備，以保障數據隱私並在無網環境下提供支持，這正是小模型的用武之地。在當前AI智慧型體（Agent）架構中，GPT-5.4 nano可充當“前哨”或“四肢”角色，負責執行具體的、對延遲敏感的任務，例如網頁信息的快速抓取、多語種文檔的初步清洗，或是對作業系統的實時反饋。這種大小模型協同的“混合架構”在智慧型系統中逐漸普及，由大模型進行任務規劃與分解，小模型負責執行，被認為有助於提升任務處理效率。
發展歷程
2026年3月17日，OpenAI公司發布公告，宣布推出小型模型GPT-5.4 mini與 GPT-5.4 nano，專為高頻且對延遲敏感的任務設計。
GPT-5.4nano 是 GPT-5.4 系列中體積較小、成本較低的版本，主要面向對速度和成本較為敏感的任務。該模型通過 API 提供。在基準測試中，其在SWE-Bench Pro(Public) 中達到52.4%，在 GPQA Diamond 中達到82.8%，但在 OSWorld-Verified 中得分為39.0%，低於前代 GPT-5 mini。其套用場景包括分類、數據提取、排序，以及處理簡單輔助任務的編程子智慧型體。
四川大學人工智慧學者宋耀評價稱，該模型適用於輕量化任務，其“小”主要體現在模型參數規模的精簡和計算效率的最佳化。它通過知識蒸餾和架構壓縮技術，降低了運行所需的顯存與頻寬壓力。研發此類小模型的原因，類似於一個成熟的物流系統既需要重型卡車也需要無人機，旨在以較低的成本覆蓋部分日常需求，釋放算力處理更複雜的問題。隨著端側AI（Edge AI）的興起，該模型適合部署在本地設備，以保障數據隱私並在無網環境下提供支持。在當前AI智慧型體（Agent）架構中，GPT-5.4mini或 nano可充當“前哨”或“四肢”角色，負責執行具體的、對延遲敏感的任務，而由大型模型擔任“規劃者”。這種大小模型協同的“混合架構”在智慧型系統中逐漸普及。
主要功能
GPT-5.4 nano 是目前體積最小、價格最親民的版本。作為 GPT-5 nano 的重大升級版，它專為將速度和成本視為首要考量的任務而生。開發者可以將其廣泛套用於文本分類、數據提取、內容排序，以及處理簡單輔助任務的代碼子代理（Subagents）中。
技術特點與優勢
GPT-5.4 nano 是OpenAI為高頻且對延遲敏感的任務設計的小型模型，也是GPT-5.4系列中體積最小、成本最低的版本，同時是GPT-5 nano的重大升級版。這類任務包括實時代碼補全、實時語音翻譯、語義路由預測等。此外，它還專為文本分類、數據提取、內容排序以及處理簡單輔助任務的編程子智慧型體（Subagents）而設計。其“小”主要體現在模型參數規模的精簡和計算效率的最佳化，通過知識蒸餾和架構壓縮技術，降低了運行所需的顯存與頻寬壓力。該模型的特點包括較高的吞吐量、較低的延遲以及在成本效益方面的表現。在保持了 GPT-5 系列推理能力的前提下，它適用於對速度要求較高的套用場景。在 AI 智慧型體（Agent）架構中，這類小模型常充當具體執行任務的“四肢”與“前哨”角色，例如，在由大模型規劃任務的系統中，GPT-5.4 nano可承擔子智慧型體的工作，執行具體子任務。
性能數據
GPT-5.4 nano在SWE-Bench Pro(Public)中的基準測試得分為52.4%，在Terminal-Bench 2.0中為46.3%，在Toolathlon中為35.5%，在GPQA Diamond中為82.8%，在OSWorld-Verified中為39.0%，其中在OSWorld-Verified上的得分低於前代GPT-5 mini的42.0%。
該模型面向高頻任務場景，在AI智慧型體架構中可作為執行層角色。
運營模式
GPT-5.4 nano僅通過API向開發者提供。該模型專為高吞吐量、對延遲敏感的簡單任務設計，包括文本分類、數據提取、排序及簡單的編程輔助子任務。其輸入成本約為旗艦模型GPT-5.4的8%，輸出成本約為旗艦模型的1/12。
套用場景
GPT-5.4 nano專為對延遲敏感、高吞吐量的簡單任務設計，適用於文本分類、數據提取、內容排序以及簡單的編程輔助任務。
在部分AI智慧型體架構中，小模型可承擔具體執行任務，如網頁信息抓取、文檔清洗或系統反饋。具體而言，GPT-5.4 nano可在此類架構中充當子代理（Subagents），負責執行搜尋代碼庫、審查檔案、處理文檔等具體子任務。此類多層級協作架構，由大模型進行任務規劃與分解，小模型負責執行，被認為有助於提升任務處理效率。
小模型的部署套用，使部分AI套用的回響速度得到提升。GPT-5.4 nano支持端側AI部署，適用於對延遲敏感的實時套用場景，例如需要即時回響的代碼助手、能夠快速完成輔助任務的子智慧型體、可實時推理圖像的多模態套用等。同時，更多套用軟體得以集成AI功能，例如筆記軟體可對輸入內容進行分析與排版，或手機助手對螢幕內容進行理解以協助操作。
未來，大小模型的協同套用可能成為智慧型系統的配置方式之一。AI套用可根據任務需求進行調度，日常或對延遲敏感的任務由小模型處理，涉及複雜推理的請求則由大模型處理。例如，文本分類、數據提取、排序等高頻率、低複雜度的日常任務可由GPT-5.4 nano高效處理，從而最佳化算力資源分配。這種方式旨在最佳化算力資源的分配。
影響
小模型的部署套用，使部分AI套用的回響速度得到提升。同時，更多套用軟體得以集成AI功能，例如筆記軟體可對輸入內容進行分析與排版，或手機助手對螢幕內容進行理解以協助操作。
以部分小模型為例，這類專為對延遲敏感任務設計的模型，其推出有助於實現更快的回響，並且使更多套用軟體得以在不增加用戶訂閱成本的情況下集成深度AI功能。
小模型與大型模型的協同套用正推動“大小混合”架構成為智慧型系統的常見配置之一，該架構模仿人類大腦的運作機制，以最佳化算力分配。
部分小模型在延遲和成本控制方面具有特點，這降低了開發此類套用的門檻。
