GPT-5.4 — Thinking

By OpenAI · Updated

Lo que realmente es

Hay una regla no escrita en IA: los modelos generalistas no deberían superar a los especialistas. GPT-5.4 Thinking rompe esa regla. El modelo frontera unificado de OpenAI no fue diseñado como herramienta de programación — fue diseñado como herramienta para todo — y aun así iguala o supera a los modelos dedicados a código en los benchmarks que más importan. Es como un decatleta que además tiene el récord mundial de los 100 metros. GPT-5.4 no completa tu función; piensa en la arquitectura, planifica ediciones multi-archivo, utiliza herramientas para buscar documentación y ejecuta tareas de programación agénticas que duran horas — no minutos. Con una ventana de contexto de 1M tokens y uso nativo de herramientas que reduce el consumo de tokens en un 47%, puede mantener todo tu monorepo en memoria mientras cuesta menos por tarea de lo esperado.

Puntos fuertes

• SWE-Bench Pro 57,7%: El benchmark de ingeniería de software más exigente, que evalúa problemas complejos de repositorios de producción. Supera el 56,8% de GPT-5.3-Codex — un generalista superando a un especialista.
• Ventana de 1M tokens: Aproximadamente 750.000 palabras de código y documentación en una sola sesión. Carga codebases completas y razóna sobre ellas sin fragmentar ni perder contexto.
• 47% de ahorro en tokens: La búsqueda nativa de herramientas reduce el contexto redundante, haciendo que los flujos agénticos consuman menos tokens. El coste real por tarea baja a pesar de precios por token más altos.
• 1,5x más rápido en Codex: Las mejoras en velocidad de generación hacen que las tareas de programación se completen notablemente más rápido. Los testers reportan resolver bugs complejos en horas que antes llevaban días.
• Modelado de hojas de cálculo 87,3%: Frente al 68,4% de GPT-5.2. Modelado financiero, transformación de datos y generación de fórmulas mejoran dramáticamente.

Limitaciones honestas

• Costes de API más altos: $2,50/M input, $15/M output. Nivel Pro a $30/M input, $180/M output. Las sesiones agénticas largas se acumulan rápidamente.
• Fricción de ciberprotección: Código relacionado con seguridad (pentesting, análisis de exploits) puede activar falsos positivos en el sistema de seguridad.
• 1M de contexto a tarifa doble en Codex: La ventana de contexto completa cuenta tokens al doble en el entorno Codex. Tu ventana de 1M cuesta efectivamente como 2M.
• Amplitud vs. profundidad: A pesar de liderar benchmarks, modelos especializados como Opus 4.6 aún producen código más coherente arquitectónicamente en refactorizaciones masivas. GPT-5.4 gana en amplitud; Opus en profundidad.