Kan jag köra GPT-5.4 Pro lokalt?

Nej. Vikterna är inte släppta; modellen är endast tillgänglig via OpenAIs API.

Vad kostar GPT-5.4 Pro och hur stor är kontexten?

OpenAI tar 30,00 USD per miljon inmatningstokens och 180,00 USD per miljon utmatningstokens; kontextfönstret är drygt en miljon tokens, med 922K användbara för inmatning och 128K för utmatning.

Hur skiljer sig GPT-5.4 Pro från standard GPT-5.4?

GPT-5.4 Pro bygger på samma enade arkitektur men är specifikt optimerad för förbättrat resonemang, högre noggrannhet och kraven i agent- och långkontextarbetsflöden där standardmodellen kan vara otillräcklig.

GPT 5.4 Pro

2292°

#llm #openai #vision #resonemang #kodning #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

OpenAI | 1 050 000 tokens kontext | $30.00/M input, $180.00/M output. GPT-5.4 Pro är OpenAIs mest avancerade modell, som bygger vidare på GPT-5.4:s enhetliga arkitektur med förbättrade resonemangsförmågor för komplexa, höginsatsuppgifter. Den har ett kontextfönster på över 1 miljon tokens (922K input, 128K output) med stöd för text- och bildinmatningar. Optimerad för steg-för-steg-resonemang, instruktioner och noggrannhet, excellerar GPT-5.4 Pro i agentbaserad kodning, arbetsflöden med lång kontext och flerstegsproblemlösning.

Guider för denna modell

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

GPT-5.4 Pro är OpenAIs mest kapabla modell, byggd för komplexa, höginsatsuppgifter som kräver uthålligt resonemang och exakt instruktionstolkning. Dess kontextfönster överstiger en miljon tokens, vilket gör den praktisk för mycket stora kodbaser, långa dokument och flerstegs agentpipelines. Med 30 USD per miljon inmatningstokens och 180 USD per miljon utmatningstokens riktar den sig tydligt till professionell och företagsanvändning snarare än vardagliga frågor.

Känd för

Över en miljon tokens kontextfönster, hanterar mycket stora dokument eller kodbaser i ett svep.
Förbättrat steg-för-steg-resonemang för flerstegs problemlösning och komplexa agentuppgifter.
Accepterar både text- och bildinmatningar.
Stark följsamhet till instruktioner, användbar för strukturerade, högprecisionsarbetsflöden.

Se upp för

Utgångspris på 180 USD per miljon tokens gör den snabbt dyr; långa agentkörningar kan ge höga kostnader.
Stängda vikter, endast API – ingen lokal distribution eller offline-användning.
Ingen modellkortsinformation publicerad; intern arkitektur och träningsdata är inte avslöjade.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Syn

Promptar att prova

Granska en stor kodbas

Jag klistrar in hela källkoden för en Python-webbtjänst nedan. Läs varje fil, identifiera de tre mest sannolika orsakerna till ett minnesläckage vid hög samtidighet, förklara varför varje är ett problem och föreslå en konkret lösning för varje. Prioritera problem som skulle överleva en standardkodgranskning.

Flerstegs agentplan

Du planerar en automatiserad pipeline som tar in ett 500-sidigt juridiskt kontrakt, extraherar alla skyldighetsklausuler med deras deadlines och ansvariga parter, flaggar eventuella motstridiga klausuler och levererar en strukturerad JSON-sammanfattning. Beskriv varje steg, vilka verktyg du skulle använda och var mänsklig granskning är nödvändig.

Resonera kring ett svårt vägval

En startup har 400 000 USD i kassa, två ingenjörer och tre produktinriktningar: satsa hårdare på ett företagsavtal som är 60 dagar från avslut, pivota till en konsumentapp med snabbare tillväxtsignaler, eller licensiera kärnteknologin till en större konkurrent. Gå igenom beslutet steg för steg, lyft fram nyckelantaganden och ge en rekommendation med din motivering.

Jämför med

gpt-oss-120b
Öppen vikt-modell
131,072 tokens kontext · $0.15/M indata, $0.60/M utdata
gpt-oss-20b
Öppen vikt-modell
131,072 tokens kontext · $0.02/M indata, $0.09/M utdata
GPT-6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.10/M indata, $0.50/M utdata
GPT-5.6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.20/M indata, $1.20/M utdata

Fler textmodeller från openai

Vanliga frågor

Kan jag köra GPT-5.4 Pro lokalt?: Nej. Vikterna är inte släppta; modellen är endast tillgänglig via OpenAIs API.
Vad kostar GPT-5.4 Pro och hur stor är kontexten?: OpenAI tar 30,00 USD per miljon inmatningstokens och 180,00 USD per miljon utmatningstokens; kontextfönstret är drygt en miljon tokens, med 922K användbara för inmatning och 128K för utmatning.
Hur skiljer sig GPT-5.4 Pro från standard GPT-5.4?: GPT-5.4 Pro bygger på samma enade arkitektur men är specifikt optimerad för förbättrat resonemang, högre noggrannhet och kraven i agent- och långkontextarbetsflöden där standardmodellen kan vara otillräcklig.

Kaptens omdöme
Rätt verktyg när noggrannhet och kontext verkligen spelar roll – se bara till att kostnaden inte blir värre än problemet.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

GPT 5.4 Pro är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm openai vision resonemang kodning agenter lång kontext

Bläddra efter modellfamilj