OfficeQA
Databricks 出品的可验证文档推理基准（OfficeQA Pro 前身）：约 9 万页美国财政公报语料上的 246 道文档 grounding 题，分 easy/hard 两档
基本信息
30 秒看懂
答案为经验证的真值（多为数值/精确匹配），准确率口径；OpenAI GPT-5.4 页引用 68.1（对照 GPT-5.3-Codex 65.1、GPT-5.2 63.1），为厂商自报口径——检索与工具配置直接决定分数高低。
采用格局：2025-12-09 由 Databricks 博客发布；OpenAI GPT-5.4 / GPT-5.4-mini 页 3 行证据引用
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 3 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-03-05
OpenAI·国际
本发布含 4 个变体，各变体规格见模型详情。
OpenAI 将 GPT-5.4 定位为融合 GPT-5.3-Codex 编码谱系的新旗舰（ChatGPT 内 Thinking 模式，effort none/low/medium/high/xhigh，1M 上下文，原生计算机操作与工具搜索）。已收录 90 余项评测横跨知识工作、编码、计算机操作与长上下文：亮点 GDPval 83.0%、OSWorld-Verified 75.0%。
旗舰1M 长上下文原生计算机操作工具搜索
查看模型变体与证据
GPT-5.4 · OfficeQA 68.1%gpt-5-3-codex · OfficeQA 65.1%gpt-5-2 · OfficeQA 63.1%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。