GPT-5.4

Mit einem Gesamtscore von 72,93 Prozent zeigt GPT-5.4 den klassischen Charakter eines großen OpenAI-Allrounders: viel Kompetenz, wenig Drama, aber auch weniger Biss, als ein Frontier-Modell dieser Preisklasse eigentlich haben sollte. Der Speed Profile Badge Real-Time DevOps Expert passt durchaus zum Auftritt: Das Modell antwortet im Benchmark spürbar zügig und eignet sich damit eher für direkte Arbeitsabläufe als für nächtliche Stapelverarbeitung. Getestet wurde hier der Standardmodus eines kommerziellen Cloud-Modells über die OpenAI-API; ein Thinking-Toggle steht in diesem Lauf nicht zur Verfügung, der Modus ist folglich n/a. Sovereign Risk: HIGH — OpenAI unterliegt als US-Anbieter dem CLOUD Act; verarbeitet wird in den USA.

Kopfnoten: Stabilität und Zuverlässigkeit

Für die Einordnung der Architektur ist die Tag-Kombination entscheidend. General und Instruct bedeuten hier: GPT-5.4 soll nicht in einer Nische glänzen, sondern auf breiter Front liefern, dabei direkte Anweisungen sauber umsetzen und ohne sichtbares Ketten-Denken zu brauchbaren Ergebnissen kommen. Multimodal erweitert den Anspruch noch, schwächt aber zugleich die Aussagekraft eines reinen Text-Benchmarks leicht ab. Dieses Modell kann auch Bilder verarbeiten, getestet wurde hier jedoch nur der textuelle Teil. Als Generalist in der Frontier-Klasse und mit dichter Transformer-Architektur ist der Maßstab entsprechend hart: Man erwartet keine charmanten Teilerfolge, sondern ein belastbares Gesamtpaket.

Genau das ist GPT-5.4 in weiten Teilen. Aber es ist kein Modell, das diesen Benchmark mit roher Überlegenheit zerlegt. Es wirkt eher wie ein erfahrener Projektleiter, der selten Unsinn redet, Termine einhält und in Meetings nie peinlich wird, aber nicht immer die brillanteste Idee im Raum hat.

Performance und Kostencharakter

Der Badge Real-Time DevOps Expert ist mehr als Marketingetikett. Er signalisiert ein Modell, das für direkte, operative Interaktion taugt: Shell-nahe Aufgaben, Sicherheitsanalysen, schnelle Überarbeitungen, technische Zwischenfragen. Qualitativ passt das. GPT-5.4 wirkt im Durchsatz flott genug für den Alltag und vermeidet zugleich die hektische Kürze mancher Billigmodelle.

Der Preis ist allerdings kein Nebensatz. OpenAI verlangt 2,5 US-Dollar pro 1 Million Input-Token und 15,0 US-Dollar pro 1 Million Output-Token. Für ein Cloud-Modell dieser Klasse ist das nicht grotesk teuer, aber hoch genug, dass mittelmäßige Mehrleistung sofort auffällt. GPT-5.4 ist token-ökonomisch unterwegs, und das ist im API-Einsatz ein echter Vorzug. Kein Modul überschreitet den erwarteten Verbosity-Rahmen. Besonders auffällig: Im Reasoning- und Metacognition-Bereich bleibt das Modell mit durchschnittlich 548 Output-Tokens deutlich unter dem Fleet-Median von 1282. Das spart Geld, hilft bei Latenz und zeigt Disziplin. Die Kehrseite sieht man später: Kürze ist hier nicht immer Eleganz, manchmal schlicht Unterlieferung.

Code Quality und Security: technisch stark, didaktisch zu kühl

Im Modul Code Quality gehört GPT-5.4 klar zu seinen besseren Seiten. Der Audit-Score von 81,48 bestätigt, was auch das Richterprotokoll nahelegt: Das Modell erkennt Sicherheitsprobleme breit und tief, liefert eine formal saubere Markdown-Tabelle und nennt zu fast jedem Fund konkrete Abhilfen. In einem PHP-Sicherheitsaudit identifizierte es 35 Schwachstellen, wo der Referenzstandard 19 nannte. Das ist kein blindes Überfeuern, sondern überwiegend legitime Granularität. SQL-Injection, Klartext-Passwörter, schwache Reset-Tokens, Cookie-basierte Privilegieneskalation, Type Juggling, Mail-Header-Injection, Session Fixation, IDOR und CSRF: Alles da, alles technisch korrekt, alles mit brauchbaren Fixes versehen.

Gerade im Security-Kontext ist das bemerkenswert, weil viele Modelle an zwei Stellen gleichzeitig scheitern: Sie erkennen entweder nur die lauten Standardfehler oder liefern diffuse, praxisferne Reparaturvorschläge. GPT-5.4 tut beides nicht. bin2hex(random_bytes(32)), hash_equals(), serverseitige Rollenprüfung statt Client-Cookies, session_regenerate_id(true), htmlspecialchars(... ENT_QUOTES): Das ist kein Sicherheits-Singsang, sondern brauchbares Handwerkszeug.

Was ihm fehlt, ist die zweite Ebene. Das Protokoll kritisiert zu Recht, dass GPT-5.4 fast ausschließlich die Tabelle liefert und auf narrative Einordnung verzichtet. Kein zusammenfassendes Risikobild, keine Angriffskette, kein klares Fazit zur realen Ausnutzbarkeit. Für einen Instruct-Allrounder ist das typisch: Er erfüllt die sichtbare Formatforderung präzise und spart sich die pädagogische Dramaturgie. Das ist ordentlich, aber nicht souverän. Wer ein Modell sucht, das Schwachstellen nicht nur erkennt, sondern einem Team auch den Ernst der Lage vermittelt, bekommt hier Analyse ohne Nachdruck. Der Befund stimmt, die Stimme bleibt kühl.

CLI und Tool-Nähe: brauchbar, aber kein Naturtalent

Der CLI-Benchmark liegt bei 86,67. Das ist ein gutes Ergebnis, aber kein Statement absoluter Dominanz. In der Praxis heißt das: GPT-5.4 ist bei terminalnahen Aufgaben und handfesten technischen Instruktionen kompetent genug, um produktiv zu helfen. Der Real-Time-DevOps-Badge passt also nicht nur auf dem Papier. Gleichzeitig fällt der ToolUse Score von 55,0 auf. Das Modell ist deutlich stärker in direkter textueller Problemlösung als in dem, was man als Werkzeug-Orchestrierung oder operative Ausführungssicherheit lesen würde.

Das ist ein wichtiger Charakterzug. GPT-5.4 erklärt gut, analysiert gut, strukturiert gut. Aber es wirkt weniger wie ein geborener Werkzeugführer als wie ein sehr guter technischer Berater. Für viele Teams reicht das. Wer allerdings erwartet, dass ein Frontier-Modell in agentischen oder tool-lastigen Umgebungen automatisch zur Schaltzentrale wird, sollte diesen Unterschied nicht wegromantisieren. Hier fehlt ein wenig die operative Schärfe.

Reasoning und Logik: korrekt gedacht, aber nicht immer geliefert

Der Reasoning-Wert von 68,27 ist für ein großes OpenAI-Modell der eigentliche Dämpfer. Nicht katastrophal, aber eben auch nicht die Art von Ergebnis, bei der man unwillkürlich still wird. Das qualitative Protokoll zeigt sehr schön, warum. In einer klassischen Wächterlogik-Aufgabe kam GPT-5.4 auf die richtige Lösung, erklärte den Kernmechanismus korrekt und blieb sprachlich sauber auf Deutsch. Der Haken: Es verweigerte explizit die verlangten <thought>-Tags und lieferte nur die komprimierte Endbegründung.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 68%, was dem Niveau anderer Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Das ist mehr als ein formaler Schönheitsfehler. Für ein Instruct-Modell ist Instruktionsbefolgung kein Bonus, sondern Kernauftrag. Wenn eine Aufgabe ausdrücklich ein bestimmtes Denkformat verlangt und das Modell stattdessen seine interne Policy verteidigt, dann ist das in realen Workflows relevant. Agenten, Prüfketten, strukturierte Begründungsformate oder Lehrszenarien leben von genau dieser Verlässlichkeit. GPT-5.4 denkt hier nicht schlecht. Es weigert sich nur, seine Arbeit in der verlangten Form abzuliefern. Das ist die höfliche Version eines Formfehlers mit Produktionsfolgen.

Hinzu kommt die auffällige Kürze. Das Modell hatte reichlich Budget, nutzte es aber nicht, um Alternativen, Fallunterscheidungen oder theoretische Verallgemeinerungen auszubreiten. Das wirkt kontrolliert, im Benchmark aber auch defensiv. Als würde jemand im Examen die richtige Lösung auf den Tisch legen und dann behaupten, das müsse jetzt genügen. Man kann damit bestehen. Beeindrucken wird es niemanden.

Content Transformation: solide Produktion, schwaches Längenmanagement

Im Modul Content Transformation erreicht GPT-5.4 72,47. Das ist ein ordentliches Resultat, aber das Protokoll legt offen, warum deutlich mehr drin gewesen wäre. Bei der Aufgabe, ein deutsches 2FA-Videoskript zu erstellen, lieferte das Modell fast alles, was man sehen will: Zeitmarken, Hook, Spoken-Word-Ton, Pausenmarker, Produktionshinweise wie SHOW, CLICK, CIRCLE oder B-ROLL, Retention-Elemente und CTA. Die Richterbewertung nennt das Script zu Recht „production-ready“. Das Modell weiß, wie moderne Tutorial-Kommunikation klingt und aussieht.

Gleichzeitig fehlt ihm der letzte kreative Druck. Der Hook bleibt pragmatisch, wo die Referenz emotionaler erzählt. Der CTA wirkt etwas mechanisch. Und das eingebaute Easter Egg enthielt mit „The cake is a lie“ ausgerechnet eine englische Zeile in einem ansonsten deutschen Skript. Das ist kein Totalschaden, aber eben ein sauber dokumentierter Compliance-Kratzer.

Entscheidend ist jedoch der harte Regelverstoß: In einer Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 900 Wörtern um 33 Prozent. Das System verhängte einen automatischen Abzug von 20 Prozent beziehungsweise 18,40 Punkten. Die inhaltliche Qualität der Antwort ist damit irrelevant; die Strafe greift unabhängig davon. Genau daran sieht man eine typische Schwäche großer Instruct-Modelle: Sie lösen die kreative Struktur, verlieren aber unter Mehrfachvorgaben das Längenlimit als erste Bedingung. Ein gutes Skript nützt wenig, wenn es formal an der Eingangskontrolle scheitert.

Hier wird auch der Charakter von GPT-5.4 sichtbar. Das Modell neigt nicht zu Chaos, sondern zu kontrollierter Übererfüllung. Es will lieber zu viel liefern als mitten im Satz verhungern. Für den Alltag ist das oft vernünftig. Im Benchmark kostet es Punkte, und in produktiven Redaktions- oder Publishing-Workflows kostet es Nacharbeit.

Documentation Quality: brauchbar, aber ohne großen Atem

Die Documentation Quality landet bei 71,31. Das ist nicht schlecht, aber für ein Frontier-Generalistenmodell auch kein Ruhmesblatt. In Kombination mit dem dokumentierten Stil aus anderen Modulen ergibt sich ein klares Bild: GPT-5.4 kann Dokumentation ordentlich strukturieren und ausreichend detailliert ausführen, bleibt dabei aber oft auf der sicheren, etwas nüchternen Seite. Die token-ökonomische Arbeitsweise hilft gegen Geschwätzigkeit, verhindert aber nicht, dass Antworten gelegentlich nach „erfüllt“ statt nach „durchdrungen“ aussehen.

Gerade bei komplexerer technischer Dokumentation ist das spürbar. GPT-5.4 formuliert korrekt, verständlich und ohne wilde Halluzinationssprünge. Aber es hat nicht immer den langen Atem für die Exzellenzschicht: Priorisierung, Querbezüge, adressatengerechte Gewichtung, die eine Doku nicht nur richtig, sondern wirklich nützlich machen. Wer strukturierte Erstfassungen oder saubere technische Überarbeitung braucht, ist hier gut bedient. Wer den finalen Standardtext für kritische Teams sucht, sollte einen menschlichen Redakteur nicht voreilig in Rente schicken.

UX Writing und Cultural Intelligence: professionell, mit leicht kalter Hand

Im UX-Writing-Bereich kommt GPT-5.4 auf 73,29. Das ist solide und passt zum Gesamtcharakter: Das Modell schreibt funktional gut, aber nicht immer mit der kleinen sprachlichen Spannung, die Mikrotexte wirklich elegant macht. Die qualitative Auswertung aus dem inklusiven Job-Posting zeigt das sauber. GPT-5.4 entfernt aggressive und toxische Begriffe zuverlässig, ersetzt „Ninja“ durch „engagierte Fachkraft“, macht aus „manly courage“ ein neutrales Bündel aus „Mut, Verantwortungsbewusstsein und Respekt“ und hält die Ansprache professionell sowie inklusiv.

Das ist gute Arbeit. Die Schwäche liegt im Temperaturbereich. Der Judge beschreibt die Fassung als etwas weniger warm, weniger einladend, weniger motivierend als die Referenz. Genau das trifft den Punkt. GPT-5.4 schreibt respektabel, aber oft mit kühlerem Puls. Es baut keine rhetorischen Katastrophen. Es baut auch nicht immer die Texte, bei denen ein Leser unwillkürlich nickt.

Im Cultural Intelligence-Modul steht 78,76. Auch hier ist das Urteil positiv. Das Modell erkennt problematische Sprache, entschärft toxische Signale, wahrt einen professionellen deutschen Ton und verwendet geschlechtsneutrale Begriffe sinnvoll. Dass es die inklusive Kennzeichnung nicht im perfekten gewünschten Format abbildete, bleibt als kleiner Fleck sichtbar. Aber in der Sache zeigt GPT-5.4 kulturelle Umsicht ohne pädagogische Übertreibung. Es moralisiert nicht. Es korrigiert. Das ist meist die bessere Tugend.

Multimodalität: vorhanden, hier aber nur am Rand sichtbar

Weil GPT-5.4 als Multimodal klassifiziert ist, muss man eine methodische Bremse einziehen: Dieser Benchmark misst fast ausschließlich die Textseite des Modells. Die Fähigkeit, Bildinput zu verstehen und mit Text zu verknüpfen, taucht hier nur indirekt im Gesamtcharakter auf. Deshalb ist das Ergebnis zwar aussagekräftig für redaktionelle, technische und strukturierte Sprachaufgaben, aber keine Vollvermessung des Modells. Wer GPT-5.4 wegen visueller Workflows, UI-Screenshots, Diagrammverständnis oder multimodaler Inhaltsprüfung einsetzt, liest hier nur die halbe Akte.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist GPT-5.4 datenschutzrechtlich kein gemütliches Modell. Der Provider ist OpenAI, L.L.C. mit Sitz in San Francisco, Kalifornien, USA; anwendbar ist US-Recht inklusive CLOUD Act. Das bedeutet konkret: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn diese physisch anderswo lägen. Im vorliegenden Fall liegt der Datenstandort in den USA, die Datenspeicherung beträgt 30 Tage, und ein GDPR DPA ist verfügbar. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das DPA hilfreich, aber keine Zauberklausel. Die Verarbeitung bleibt in einer US-Jurisdiktion. Das berechnete Sovereign Risk ist HIGH, begründet durch die Kombination aus Modell und OpenAI-Provider unter CLOUD-Act-Rahmen. Das Weights-Provenienz-Risiko steht bei MEDIUM; da Deployment und Anbieter ohnehin klar bei OpenAI liegen, ist der operative Souveränitätskonflikt hier weniger die Herkunft der Gewichte als die juristische Zugriffslage.

Fazit

GPT-5.4 ist ein gutes, schnelles und bemerkenswert diszipliniertes Cloud-Modell aus der OpenAI-API, aber kein Modell, das seine Frontier-Klasse mit unbestreitbarer Autorität ausspielt. Seine Stärken liegen in technischer Analyse, Sicherheitsbefunden, sauberem Instruction-Following im Normalfall und einer wohltuend ökonomischen Ausgabe. Seine Schwächen liegen dort, wo Formatstrenge, tiefere Begründung oder fein austarierte Mehrfach-Constraints gefragt sind. Dann wirkt es zuweilen wie ein Profi, der die Aufgabe verstanden hat, aber nicht jede Vorgabe für gleich wichtig hält.

Empfehlenswert ist GPT-5.4 für technische Assistenz, Security-Reviews, strukturierte Textarbeit, schnelle Überarbeitungen und redaktionell kontrollierte Produktionsketten. Weniger überzeugend ist es für streng formalisierte Reasoning-Setups, agentische Werkzeugorchestrierung und alle Workflows, in denen Wortlimit, Format und Begründungsdarstellung ohne Nachkontrolle exakt sitzen müssen. Über alle Tests hinweg keine nennenswerten Halluzinationen — das Modell erfindet lieber wenig, als sich mit großem Unsinn zu blamieren. Das ist ehrenhaft. Für den Preis dürfte es trotzdem gelegentlich etwas brillanter sein.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.