GPT-5.4
GPT-5.4 ist OpenAIs größere GPT-5.4-Variante für anspruchsvollere Workloads mit höherer Antwortqualität als die Mini-Versionen. Sie bleibt ein proprietäres Cloud-Modell mit multimodaler Eingabe und ist auf produktive, komplexe Aufgaben ausgelegt, ohne lokale Gewichte bereitzustellen.
- Proprietär
- Frontier
- API
- General
- Long-Context
- Agentic
- Real-Time
Sovereign Risk: MEDIUM OpenAI ist ein US-amerikanisches Unternehmen, unterliegt US-Recht und CLOUD Act. Keine Gewichte verfügbar. Closed-Source. Datenschutzrechtlich für sensible EU-Daten eingeschränkt empfehlenswert.
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 74.31
- Routine
- 47.12
- Reasoning
- 27.19
- LLM Judge Avg
- 3.65 / 5
- 100% Coverage
- Avg Task Duration
- 16.76s
- Real-Time
- Token Rate
- 59.59tok/s
- Output Rate
- P95 Latency
- 52.46s
- Top 5 %
- Total Tokens
- 56.2K
- Output Volume
- Cost per 1K
- $0.015
- USD / 1K Requests
- Benchmark Cost
- $0.84
- Total · 56.2K tok
Benchmark-Module
7 Module · gewichtet · vs. Modellmedian & Spitzenreiter
GPT-5.4
Bestes Modell
Ø Alle Modelle
Code Quality
80.8
CLI Benchmark
93.33
Logical Reasoning
61.77
UX Writing
68.85
Documentation
70.9
Content Transform.
74.75
Cultural Intelligence
79.3
Benchmark Cost
$0.84
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.