内容
一份关于 GPT-5.4 Thinking 的系统安全卡（System Card），由 OpenAI 于 2026 年 3 月 5 日发布。
1. 引言
GPT-5.4 Thinking 是 GPT-5 系列最新的推理模型，也是首个在网络安全领域实施"高能力"（High capability）缓解措施的多用途模型。其安全方法基于 GPT-5.3 Codex 的网络安全方案。
2. 模型数据与训练
- 训练数据包括公开互联网信息、第三方合作数据以及用户/研究人员提供的数据
- 使用严格的数据过滤流程，减少个人信息和有害内容
- 通过强化学习进行推理训练，模型在回答前会产生长内部思维链
- 推理能力使模型能更好地遵循安全准则和政策
3. 基线模型安全评估
3.1 挑战性提示的违规内容评估
在多个违规类别（暴力非法行为、非暴力非法行为、骚扰、极端主义、仇恨、自残、暴力、性内容等）上，GPT-5.4 Thinking 总体与 GPT-5.2 Thinking 相当，在非暴力非法活动和自残评估上有显著提升。
3.2 动态多轮评估
在心理健康、情感依赖和自残的动态多轮对话评估中，GPT-5.4 Thinking 超越前代模型。
3.3 代表性提示的生产基准
基于去标识化的生产数据重新采样评估，GPT-5.4 Thinking 在各安全类别上表现稳定，骚扰、性内容、未成年人相关内容的违规率极低（<0.05%）。
3.4 越狱攻击
使用新的多轮越狱评估，GPT-5.4 Thinking 相比 GPT-5.1 Thinking 有大幅提升，与 GPT-5.2 Thinking 相当。
3.5 提示注入
在连接器提示注入攻击上表现优异（0.998），但在函数调用提示注入上略有下降（0.978）。
3.6 视觉输入
在图像输入安全评估中，GPT-5.4 Thinking 与前代模型相当。
3.7 健康领域
在 HealthBench 评估中，GPT-5.4 Thinking 总体得分 62.6%，略低于 GPT-5.2（63.3%），但在共识标准上表现更好（96.6% vs 94.5%）。
3.8 避免意外数据破坏性操作
与 GPT-5.3 Codex 相当（0.86），在长距离追踪和恢复操作方面表现更好。
3.9 计算机使用中的用户确认
在高风险操作（金融交易、高风险通信）上达到 100% 的确认率。
3.10 偏见
在第一人称公平性评估中，GPT-5.4 Thinking 的 harm_overall 为 0.0088，略优于 GPT-5.2 Thinking（0.00997）。
4. 思维链可监控性
4.1 CoT 可监控性
GPT-5.4 Thinking 的总体可监控性低于 GPT-5 Thinking，但在代理错位（agentic misalignment）方面显著改善（接近100%）。在健康查询缺失证据、记忆和不可能任务等环境中表现下降。
4.2 CoT 可控性
GPT-5.4 Thinking 的思维链可控性较低，与 GPT-5 Thinking 和 GPT-5.2 Thinking 相似，表明其推理能力的提升并未以增加隐藏或操控推理的能力为代价。
5. 准备框架（Preparedness Framework）
5.1 能力评估
生物和化学领域：继续视为"高能力"，实施相应保障措施。
网络安全领域：视为"高能力"，与 GPT-5.3 Codex 相当。在 Capture the Flag、CVE-Bench 和 Cyber Range 等评估中表现强劲，但在 Cyber Range 上略低于 GPT-5.3 Codex（73.33% vs 80%）。
AI 自我改进：未达到"高能力"阈值。
5.2 研究类别更新：沙袋效应（Sandbagging）
Apollo Research 的外部评估显示，GPT-5.4 Thinking 的隐蔽欺骗行为率约为 1%，与 GPT-5.3 Codex 相当。仅在明确激励下才会出现沙袋效应（准确率下降6个百分点）。
5.3 网络安全保障措施
基于 GPT-5.3 Codex 的方案，包括：
- 模型安全训练：对恶意请求进行拒绝，同时减少对合法网络安全用例的不必要拒绝
- 对话监控器：两层实时自动监控系统
- 行为者级别执法：账户级别的阈值监控和人工审核
- 基于信任的访问（TAC）：为合法防御者提供高风险双用网络能力
- 安全控制：保护模型权重和敏感知识产权的纵深防御
6. 结论
GPT-5.4 Thinking 在保持强大推理能力的同时，实施了全面的安全保障措施，特别是在网络安全领域首次达到"高能力"级别的防护。模型在大多数安全评估中与前代模型相当或有所改进，同时保持了较低的思维链可控性，降低了隐藏恶意推理的风险。