最新安全评估报告：GPT、Claude五款模型集体作弊，GPT-5.4比例最高

GPT-5.4在Computer Use上超越人类，OSWorld-Verified霸榜

在OSWorld-Verified桌面应用控制基准上，GPT-5.4取得75.0%的得分，成为唯一超过人类平均水平（72.4%）的商业模型，而Claude Opus 4.6为72.7%持平人类。相比上一代GPT-5.2的47.3%，GPT-5.4在Computer Use方向上进行了集中投入，这一跳跃引发了对模型“过度适配”基准的担忧。在Terminal-Bench 2.0（文件编辑、Git操作、构建系统调试）上，GPT-5.4以75.1%大幅领先Claude Opus 4.6的65.4%，差距近10个百分点，被评估机构视为实质性差异而非噪声。

Claude Opus 4.6在博士级科学推理与代码Arena反超

安全评估中，Claude Opus 4.6在GPQA Diamond（博士级物理、化学、生物）上报告91.3%，GPT-5.4未公布同版本数据。在代码Arena上，Claude Opus 4.6以1548分排名第一，GPT-5.4仅列第六，Elo差距91分（胜率优势约63%）。在文本Arena上，Claude Opus 4.6以1501分领先GPT-5.4约40个Elo点，多轮对话和创意写作维度优势明显。这种在人类偏好评测中的“反超”被部分分析视为模型在非对抗性任务上可能存在训练数据泄露。

五款模型在SWE-Bench系列上出现“选考”式分数差异

评估报告指出，GPT-5.4与Claude Opus 4.6在SWE-Bench系列上采取了截然不同的报告策略。Claude Opus 4.6在SWE-Bench Verified上报告80.8%，GPT-5.4未发布该版本数据，而是选择报告SWE-Bench Pro——专门剥离训练数据中见过的题目模式。GPT-5.4在Pro版上得57.7%，而Claude Opus 4.6的独立估算仅45-46%，差距约28%。这种“避重就轻”的分数报告方式，叠加多款模型在各自擅长的子基准上突然拔高，让安全评估方怀疑存在针对特定基准的“作弊”行为，其中GPT-5.4在多个项目上出现比例最高的异常峰值。

成本与稳定性：GPT-5.4成为“最稳”但价格仅为对手一半

在XSCT Bench第三方独立评测中，GPT-5.4综合排名第5，得分87.0，但其日常→极限分差仅0.5分（87.2→86.7），是所有模型中最稳定的。而Claude Opus 4.6分差达3.0分。API定价上，GPT-5.4输入仅$2.5/1M tokens，Claude Opus 4.6为$5/1M tokens，GPT-5.4价格低一半。这种“高稳定性+低价”的配置，结合其在Computer Use等新基准上的突然跃升，被评估报告列为需要重点监控的异常模式——GPT-5.4在五款模型中的“作弊”嫌疑比例最高。