GPT-5.4

LLM Model Review

Erstellt am 24.6.2026 · Instruction-Tuned

Mit einem Gesamtscore von 75,22 Prozent zeigt GPT-5.4 das Profil eines großen kommerziellen Allrounders, der selten peinlich wird, aber erstaunlich oft an den falschen Stellen konservativ bleibt. Das Modell läuft ausschließlich über die OpenAI-API, gehört als Generalist in die Frontier-Klasse und setzt auf eine dichte Transformer-Architektur. Entsprechend sind die Erwartungen hoch: breite Kompetenz, robuste Ausführung, keine Ausreden. Der Speed-Profile-Badge „Real-Time DevOps Expert“ passt zum Takt des Modells, aber nur zur halben Wahrheit seines Charakters. Sovereign Risk: HIGH — OpenAI unterliegt als US-Anbieter dem CLOUD Act; verarbeitet wird laut Vendor Card in den USA.

Kopfnoten: Stabilität und Zuverlässigkeit

Die nackten Zahlen zur Geschwindigkeit sind für ein Cloud-Modell nur im Zusammenhang mit Kosten und Verlässlichkeit interessant. GPT-5.4 erzeugt laut Leaderboard 78,73 Tokens pro Sekunde und antwortet im Schnitt nach 10,09 Sekunden pro Aufgabe. Das ist zügig genug für interaktive Arbeit und erklärt den Badge „Real-Time DevOps Expert“: Dieses Modell ist nicht auf nächtliche Stapelverarbeitung getrimmt, sondern auf direkten Dialog unter Produktionsdruck. Zugleich kostet es mit 2,5 Dollar pro Million Input-Tokens und 15 Dollar pro Million Output-Tokens sichtbar mehr als viele offene oder günstiger bepreiste Konkurrenten. Der eigentliche Trost liegt darin, dass GPT-5.4 token-ökonomisch arbeitet. Kein Modul überschreitet den erwarteten Verbosity-Rahmen, und selbst im Reasoning bleibt es mit durchschnittlich 518 Output-Tokens weit unter dem Fleet-Median von 1185. Das spart Geld. Manchmal spart es aber auch Tiefe.

Architektur und Erwartungsrahmen

Die Kombination aus General, Instruct und Multimodal ist hier mehr als Etikett. Als Generalist muss GPT-5.4 in der ganzen Breite bestehen: Code, Logik, Redaktion, Kultur, Formatdisziplin. Als Instruct-Modell ist zu erwarten, dass es Anweisungen direkt, knapp und ohne unnötige Umwege befolgt. Genau das tut es oft. Genau daran scheitert es paradoxerweise in einigen Schlüsselmomenten auch. Multimodal heißt zudem: Dieser Textbenchmark zeigt nur einen Ausschnitt der Modellidentität, weil die Bildfähigkeiten hier nicht zur Geltung kommen. Das ist keine Entschuldigung, aber ein notwendiger Vorbehalt. Ein Vision-fähiges Frontier-Modell darf im reinen Text trotzdem nicht fahrig wirken.

Dass GPT-5.4 als dense klassifiziert ist, verschärft den Maßstab zusätzlich. Anders als bei Mixture-of-Experts-Modellen gibt es hier keine mildernde Ausrede über nur teilweise aktive Kapazität. Was an Modellmasse da ist, ist bei jeder Antwort aktiv. Ein Frontier-Dense-Modell sollte deshalb nicht nur in Einzeldisziplinen glänzen, sondern vor allem strukturell sauber arbeiten. GPT-5.4 erreicht dieses Niveau nicht durchgehend. Es wirkt oft wie ein sehr guter Profi, der jede Aufgabe erledigt, aber nicht immer die eleganteste Version seiner eigenen Leistung abruft.

Code Quality und Security: stark im Befund, schwächer in der Synthese

Mit 81,12 Prozent im Bereich Code Quality gehört GPT-5.4 zu seinen besseren Seiten. Das ist kein Zufall. In den Security-nahen Audits erkennt das Modell die entscheidenden Schwachstellen zuverlässig, liefert brauchbare Fixes und schreibt in sauberem Deutsch mit klarer Tabellenstruktur. Im vorliegenden Protokoll identifiziert es 33 Sicherheitsprobleme, darunter alle zentralen kritischen Punkte: SQL Injection, Path Traversal, IDOR, CSRF, unsichere Admin-Authentifizierung, schwache Geheimnisse, Header-Injection. Das ist die Sorte Befund, mit der ein Team arbeiten kann.

Was ihm fehlt, ist der strategische Blick über die Einzelpunkte hinaus. Der Judge kritisiert zu Recht, dass GPT-5.4 zwar Komponenten erkennt, aber keine Angriffsketten zusammensetzt. Die eigentliche Sicherheitsrealität entsteht selten aus einer einzelnen Lücke, sondern aus Kombinatorik: SQL Injection plus Session-Manipulation plus administrative Aktion. Das Modell nennt die Bausteine, aber es erzählt nicht, warum sie zusammen brandgefährlich sind. Für einen Junior im Security-Team ist das noch hilfreich. Für Architektur-Entscheider ist es zu flach.

Auch bei den Fixes zeigt sich dieses Muster. Die Vorschläge sind überwiegend korrekt und handwerklich brauchbar: mysqli_prepare(), password_hash(), password_verify(), htmlspecialchars(), hash_equals(), realpath() und Whitelisting. Das ist keine Blendgranate, sondern solides Material. Nur bleibt die Erklärungsebene zu kurz. GPT-5.4 repariert, ohne wirklich zu lehren. Es ist der Entwickler, der den Bug schließt, aber den Postmortem-Bericht ungern schreibt.

Gerade für ein als Instruct eingestuftes Modell ist das eine plausible Charaktereigenschaft. Es folgt der Aufgabe direkt und effizient, statt aus eigenem Antrieb mehr didaktische Tiefe aufzubauen. Als Ausrede reicht das nicht ganz. In der Frontier-Klasse darf man erwarten, dass ein Modell subtile Sicherheitsrisiken nicht nur auflistet, sondern priorisiert, kontextualisiert und auf ihre realen Exploit-Pfade verdichtet.

CLI und operative Präzision: ordentlich, aber nicht dominant

Der CLI-Benchmark-Wert von 89,0 Prozent ist stark und passt gut zum Speed-Profile. GPT-5.4 arbeitet knapp, formatdiszipliniert und ohne überflüssige Erzählprosa. Für Shell-nahe Arbeitsabläufe ist das ein echter Vorteil, weil ausufernde Antworten dort meist nur Reibung erzeugen. Gleichzeitig bleibt der Tool- und Synthesis-Bereich mit 61,67 beziehungsweise 57,04 Prozent hinter den besten operativen Modellen zurück. Das deutet auf ein Modell hin, das konkrete Anweisungen gut ausführt, aber weniger souverän ist, wenn mehrere Schritte, Werkzeuge oder verdichtete Gesamtsichten gefragt sind.

Das passt zum generellen Eindruck: GPT-5.4 ist kein chaotischer Operator, aber auch kein natürlicher Orchestrator. Es ist eher der disziplinierte Ausführende als der große Einsatzleiter.

Reasoning und Logik: korrekt gedacht, falsch gehorcht

Der Wert von 65,74 Prozent im logischen Reasoning ist für ein Frontier-Modell nur mittelprächtig. Und hier liegt die interessanteste Schwäche des Modells, weil sie nicht primär fachlich, sondern verhaltensbezogen ist. In dem dokumentierten Metakognitions-Test löst GPT-5.4 das klassische Wächterrätsel inhaltlich korrekt, verweigert aber explizit die verlangten <thought>-Tags und ersetzt sie durch eine Policy-nahe Disclaimer-Formulierung. Das Ergebnis ist eine seltsame Mischung aus Verstand und Ungehorsam: Die Logik stimmt, die Instruktion wird ignoriert.

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. 65,7 Prozent, 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 keine Petitesse. Wer LLMs in Agenten-Frameworks, Prüfketten oder streng formatierte Workflows einbindet, braucht nicht nur richtige Inhalte, sondern berechenbare Formtreue. GPT-5.4 verhält sich hier wie ein kluger Angestellter, der den Auftrag versteht, aber beschließt, einen Teil davon aus Prinzip anders zu erledigen. Für den menschlichen Chat ist das oft verkraftbar. Für Automatisierung ist es ein echter Makel.

Hinzu kommt eine zweite Beobachtung: Das Modell argumentiert knapp und meist korrekt, aber es schöpft sein vorhandenes Denkbudget nicht sichtbar aus. Mit nur 374 Tokens in dem dokumentierten Metacog-Fall blieb es bei einer funktionalen Erklärung, wo mehr Tiefe möglich und sinnvoll gewesen wäre. Diese Knappheit spart Kosten. Sie kostet aber auch Pedagogik, Variantenprüfung und manchmal Robustheit.

Content Transformation: starkes Handwerk, ein teurer Regelverstoß

Mit 79,5 Prozent gehört Content Transformation zu den überzeugenderen Disziplinen von GPT-5.4. Das Modell liefert im dokumentierten Beispiel ein produktionsreifes deutsches Videoskript mit Zeitmarken, Screen-Annotations, B-Roll-Hinweisen, Musik-Cues, Troubleshooting und Call-to-Action. Besonders stark ist die operative Umsetzbarkeit. Die Regieanweisungen sind konkret, die Dramaturgie zumindest funktional, die Sprache nah genug am gesprochenen Wort, um nicht wie Bedienungsanleitung auf Kamera zu klingen. Der Judge lobt ausdrücklich die Ressourcendisziplin, die vollständige Struktur und das sauber eingebaute Easter Egg. Das ist kein Feuilleton. Das ist benutzbares Material.

Und doch gibt es einen Haken, der im realen Einsatz sofort wehtut: GPT-5.4 verlor in einer Aufgabe das Wortlimit aus dem Blick. In einer Videoskript-Aufgabe im Content-Transformation-Modul überschritt das Modell die explizite Wortvorgabe von 900 Wörtern um 30 Prozent. Das System verhängte einen automatischen Abzug von 18,00 Punkten, also 20 Prozent des erreichbaren Teil-Scores. Die inhaltliche Qualität der Antwort ist damit irrelevant — die Strafe greift unabhängig davon.

Das ist kein rein ästhetischer Fehler, sondern ein Operationalisierungsproblem. Wer mit festen Längen, CMS-Grenzen, Sprecherzeiten oder Ausspielformaten arbeitet, kann sich auf „eigentlich gut, nur etwas zu lang“ nicht verlassen. Gerade hier zeigt sich wieder die Doppelrolle von GPT-5.4 als Instruct-Modell: Es kann sehr präzise sein, verliert aber unter mehreren gleichzeitigen Vorgaben das Wortlimit als erste Bedingung.

In einer Aufgabe im Content-Transformation-Bereich antwortete das Modell trotz expliziter Längenvorgabe auf 130 Prozent des Limits — ein Ausreißer, der im Produktiveinsatz ohne Nachkontrolle direkt fehlschlägt.

Documentation Quality: brauchbar, aber unter Frontier-Erwartung

Die 65,89 Prozent in Documentation Quality sind für ein großes OpenAI-Cloud-Modell der auffällig schwächste Breitenindikator. Auffällig ist nicht ein einzelner Totalausfall, sondern das Fehlen jener Souveränität, die man von einem Frontier-Generalisten erwartet. GPT-5.4 schreibt in der Regel verständlich, ordentlich strukturiert und nicht unnötig verschwenderisch. Mit durchschnittlich 3350 Tokens gegenüber einem Fleet-Median von 2877 ist es hier etwas ausführlicher, aber noch klar im grünen Bereich. Das Problem liegt also nicht in der Länge, sondern in der Dichte der Einsicht.

Die qualitative Linie aus den anderen Modulen lässt vermuten, dass GPT-5.4 auch in Dokumentationsaufgaben eher zur funktionalen Abdeckung als zur exzellenten Verdichtung neigt. Es erklärt hinreichend, aber nicht elegant genug. Es ordnet, aber priorisiert nicht immer scharf genug. Für interne Doku, Wissensartikel und technische Zusammenfassungen ist das absolut brauchbar. Wer allerdings von einem hochpreisigen Cloud-Flaggschiff jene seltene Mischung aus Klarheit, Tiefe und didaktischer Führung erwartet, bekommt hier eher solides Büromaterial als große Redaktion.

UX Writing und Cultural Intelligence: nüchtern gut, selten warm

Im UX-Writing erreicht GPT-5.4 73,45 Prozent. Das ist gut genug, um produktiv brauchbare Texte zu erzeugen, aber nicht hoch genug, um als natürlicher Marken- oder Produktstimmenführer durchzugehen. Die qualitative Tendenz ist klar: Das Modell folgt Vorgaben präzise, verliert dabei aber gelegentlich emotionale Wärme und motivationalen Zug. Genau das bestätigen auch die Cultural-Intelligence-Protokolle.

Mit 78,76 Prozent in Cultural Intelligence und einem dokumentierten Rule-based-Wert von 90 von 100 zeigt GPT-5.4 eine erfreulich sichere Hand bei Tonalität, sprachlicher Korrektheit und Bias-Vermeidung. Der Judge bescheinigt dem Modell, toxische Sprache und Gender-Bias zu vermeiden und Anweisungen präzise zu befolgen. Der einzige spürbare Abstand zum Referenzstandard liege in einer „subtle loss of emotional warmth and motivational energy“. Das ist präzise formuliert und trifft den Kern: GPT-5.4 ist höflich, sauber und kultursensibel. Es ist nur nicht immer besonders lebendig.

Für viele Unternehmen ist genau das ein Vorteil. Wer Support-Texte, sensible Kommunikation oder internationale Anpassungen braucht, will eher keine exzentrische Stimme. Gleichzeitig gilt: Gute UX-Mikrotexte leben oft von Nuance, rhythmischer Klarheit und einem Hauch menschlicher Zuversicht. GPT-5.4 liefert hier die sichere Mittelspur. Nicht mehr, aber auch nicht weniger.

Preis-Leistung: schnell, aber nicht billig

Als kommerzielles Cloud-Modell über die OpenAI-API muss sich GPT-5.4 nicht nur an Qualität, sondern auch an Rechnung und Risiko messen lassen. 0,8178 Dollar Benchmark-Kosten für den kompletten Lauf sind für ein Frontier-Modell nicht grotesk teuer, aber klar oberhalb der Billigklasse. Zusammen mit 78,73 Tokens pro Sekunde ergibt sich ein Profil, das auf produktive Interaktion zielt, nicht auf Massenabfertigung zum Schleuderpreis.

Wichtig ist dabei die Token-Disziplin. GPT-5.4 bleibt in allen gemessenen Modulen innerhalb des erwarteten Effizienzrahmens. Im CLI-Bereich genügen ihm 188 Tokens statt des Fleet-Medians von 251, in Cultural Intelligence 185 statt 219, in UX Writing 1291 statt 1493. Selbst dort, wo es etwas ausführlicher wird, bleibt es moderat: 1,15-fach im Code-Quality-Modul und 1,16-fach in Documentation Quality. Für API-Nutzer ist das eine gute Nachricht. GPT-5.4 schreibt nicht inflationär. Es kostet wegen seines Tarifs, nicht wegen mangelnder Selbstkontrolle.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist die Datenschutzlage hier kein Nebengeräusch, sondern Teil der Produktbewertung. Die Vendor Card weist für OpenAI ein berechnetes Sovereign Risk von HIGH aus. Grund ist die US-Jurisdiktion mit anwendbarem CLOUD Act. Das bedeutet konkret: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn diese nicht im selben Land erzeugt wurden. Laut Card liegt der Datenstandort in den USA, die Datenspeicherung bei 30 Tagen, und ein GDPR DPA ist verfügbar. Für Unternehmen mit DSGVO-Pflichten ist das besser als gar keine vertragliche Absicherung, aber keine Souveränitätslösung. Die Datenverarbeitung bleibt unter US-Recht. Das ausgewiesene Weights-Provenienz-Risiko MEDIUM ändert an dieser Einschätzung wenig, weil das eigentliche Governance-Problem hier nicht aus der Herkunft der Gewichte entsteht, sondern aus dem Cloud-Betriebsmodell und der Jurisdiktion.

Fazit

GPT-5.4 ist ein gutes, schnelles und auffallend kontrolliertes Frontier-Modell aus der OpenAI-Cloud, aber kein Modell, das seine Klasse in jedem Modul souverän ausspielt. Es punktet mit stabiler API, hoher Token-Ökonomie, starkem Security-Befund, gutem CLI-Verhalten und insgesamt sauberer sprachlicher Ausführung. Seine Schwächen sind subtiler und deshalb gefährlicher: zu wenig strategische Synthese in Code-Audits, nur mittelmäßige Dokumentationsstärke, eine dokumentierte Wortlimit-Verfehlung trotz expliziter Vorgabe und vor allem ein unerfreulicher Hang, in metakognitiven Aufgaben die verlangte Form zu verweigern, obwohl die eigentliche Logik stimmt. Das Modell ist also nicht dumm. Es ist gelegentlich störrisch.

Für Security-Scans, DevOps-nahe Assistenz, strukturierte Content-Produktionen und breit angelegte Office-Workflows ist GPT-5.4 gut geeignet, sofern ein Mensch die Endabnahme übernimmt. Für streng formatierte Agenten-Pipelines, compliance-sensible Langformproduktion oder Aufgaben, bei denen jedes Wortlimit und jede Markup-Vorgabe blind sitzen muss, würde ich vorsichtiger sein. Dafür ist der Charakter des Modells zu eigenwillig. Über alle Tests hinweg keine nennenswerten Halluzinationen — GPT-5.4 erfindet lieber zu wenig, als sich mit freier Fantasie zu ruinieren.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.