GPT-5.4 mini
OpenAI推出的GPT-5系列的轻量版本模型，适用于成本敏感的智能体应用场景
时间轴 (近 90 天)
在ring_push任务上，四个模型（Claude Haiku 4.5、Gemma 4 31B、GPT-5.4 mini、Gemini 3.7 Flash）在两个任务中都完成了要求的改动，却丢失了prompt未重申的旧行为，fail-to-pass通过但pass-to-pass失败，该失误在八次运行中稳定复现
在系统迁移S2 Q2案例中，GPT-5.4 mini解释正确保留了北美窗口不变的地区限制，却将决策标签返回为supported而非正确的contradicted
免费开源模型Gemma 4在60道有解问题中全部答对且每次标对来源，gpt-oss-20b答对59道；付费小模型Claude Haiku 4.5答对36道、GPT-5.4 mini答对32道
在两步推理问题上，Claude Haiku 4.5得分6/30，GPT-5.4 mini得分3/30，而Claude Sonnet 5.5、Gemini 3.8 Flash、Gemma 4均为30/30
Claude Haiku 4.5在两步问题的24个错误里有21个回答'未找到'，而GPT-5.4 mini在27个错误里有20个把指引原话当答案照抄，另有7个编造了真实存在的人名并引用真文档
在涨幅超过+30%的区间，模型平均预测从Claude Opus 5.5的27.3%到GPT-5.4 mini的61.6%不等，而真实上涨率为42.8%
9款模型中唯一被判定为「追涨」的是GPT-5.4 mini，其额外抬升达+32.8点（置信区间+12.4到+51.6），与涨幅的秩相关系数达+0.73
对GPT-5.4 mini隐藏涨幅数字后，其额外抬升从+32.8点骤降到+6.6点，机制主要来自对未上涨股票打更低分而非对大涨股票格外看好
在难核查档注入诱饵下，GPT-5.4 mini 两种顺序都判错的题数从3升至39，Qwen3-Next 80B Instruct 从4升至38，GPT-5.4 mini 和 Qwen3-Next Instruct 的难题得分直接归零（低于随机抛硬币的约0.25）
在无诱饵的难核查档，GPT-5.4 nano 只有19/40两次都答对，并有65%概率选Response A；GPT-5.4 mini 选A概率66%，Grok 4.20非推理版62%，而强裁判稳定在50%
还有 1 条时间轴事件
全部知识事实 (12)
GPT-5.4及更早版本在提取文档中的数字时频繁出错，包括小数点位置偏移、千分位分隔符误读、负号遗漏等问题
80%待验证在ring_push任务上，四个模型（Claude Haiku 4.5、Gemma 4 31B、GPT-5.4 mini、Gemini 3.7 Flash）在两个任务中都完成了要求的改动，却丢失了prompt未重申的旧行为，fail-to-pass通过但pass-to-pass失败，该失误在八次运行中稳定复现
50%待验证在系统迁移S2 Q2案例中，GPT-5.4 mini解释正确保留了北美窗口不变的地区限制，却将决策标签返回为supported而非正确的contradicted
50%待验证在两步推理问题上，Claude Haiku 4.5得分6/30，GPT-5.4 mini得分3/30，而Claude Sonnet 5.5、Gemini 3.8 Flash、Gemma 4均为30/30
50%待验证Claude Haiku 4.5在两步问题的24个错误里有21个回答'未找到'，而GPT-5.4 mini在27个错误里有20个把指引原话当答案照抄，另有7个编造了真实存在的人名并引用真文档
50%待验证免费开源模型Gemma 4在60道有解问题中全部答对且每次标对来源，gpt-oss-20b答对59道；付费小模型Claude Haiku 4.5答对36道、GPT-5.4 mini答对32道
50%待验证对GPT-5.4 mini隐藏涨幅数字后，其额外抬升从+32.8点骤降到+6.6点，机制主要来自对未上涨股票打更低分而非对大涨股票格外看好
50%待验证9款模型中唯一被判定为「追涨」的是GPT-5.4 mini，其额外抬升达+32.8点（置信区间+12.4到+51.6），与涨幅的秩相关系数达+0.73
50%待验证在涨幅超过+30%的区间，模型平均预测从Claude Opus 5.5的27.3%到GPT-5.4 mini的61.6%不等，而真实上涨率为42.8%
50%待验证在无诱饵的难核查档，GPT-5.4 nano 只有19/40两次都答对，并有65%概率选Response A；GPT-5.4 mini 选A概率66%，Grok 4.20非推理版62%，而强裁判稳定在50%
50%待验证在难核查档注入诱饵下，GPT-5.4 mini 两种顺序都判错的题数从3升至39，Qwen3-Next 80B Instruct 从4升至38，GPT-5.4 mini 和 Qwen3-Next Instruct 的难题得分直接归零（低于随机抛硬币的约0.25）
50%待验证GPT-5.4 mini在15道EMI与税务题中错了5道，而其余三组全对
50%