GPT-5确实很强，在LMAreana上超过Gemini 2.5 Pro，重新夺回第一：

另外，Artificial Analysis平台也很提前对GPT-5进行了独立测试，GPT-5 high以 69 分刷新了他们设计的智能指数：

但是我略感失望的是：它并没有像发布前传的那么强，看完GPT-5的介绍我也没有感受到奥特曼之前所说的“坐立不安”。上面其实也可以看到，GPT-5和第二名Gemini 2.5 Pro的分差也并没有那么大。马斯克也转发了两个帖子嘲笑GPT-5在ARC-AGI和HLE上并没有超过自己之前发布的Grok 4：

不过在谷歌昨晚的举行的AI国际象棋竞赛中，OpenAI的o3以4:0的大比分赢得Grok 4获得金牌，算是给GPT-5来个庆祝了：

8 款AI 模型开展为期三天的国际象棋对决，如何评价参赛模型的表现？国际象棋考验的是什么能力？

GPT-5是免费可以在ChatGPT上用的，但是刚刚去在ChatGPT上试了，还不能用，但可以在lmarena.ai上用，所以下面就直接拿了两个例子做了测试，GPT-5都表现不错：

00:11

但是也有错的，比如之前所有大模型都错的一个2025年高考数学看图选择题，GPT-5也还是错了：

如何看待机器之心重测高考数学全卷，Gemini夺冠，豆包DeepSeek并列第二？

具体回到这次GPT-5的发布，和发布之前传的一样，GPT-5系列包含三个模型^[1]：

• GPT-5：适合复杂推理、广泛的世界知识，以及大量代码或多步骤的代理任务
• GPT-5 mini：适合成本优化的推理和聊天；在速度、成本和能力之间取得平衡
• GPT-5 nano：适合高吞吐量任务，特别是简单的指令执行或分类

三个模型均以API的形式发布。三个模型均是多模态推理模型，支持文本和视觉能力。GPT-5的API价格不算太贵，输入和输出价格为$1.25/$10.00 百万tokens，相比之前的o3，输入价格降低了（$2.00），而输出价格略有提高（$8.00）。GPT-5的这个API价格估计就是锚定谷歌的Gemini 2.5 Pro，因为GPT-5的输入和输出价格恰好和Gemini 2.5 Pro的最低档价格一样。

不过，GPT‑5 在 ChatGPT 中是一个由推理模型、非推理模型和路由模型组成的系统，和很早之前奥特曼的预告一样。ChatGPT 中的非推理模型以 gpt-5-chat-latest API的形式提供。

GPT-5 是一个统一系统，内置一个智能高效、可回答大多数问题的模型，一个用于处理更难问题的深度推理模型（GPT-5 thinking），以及一个实时路由器。该路由器会根据对话类型、问题复杂度、工具需求以及你的明确意图（例如在提示中写“请认真思考”）迅速决定调用哪个模型。路由器持续基于真实信号进行训练，包括用户何时切换模型、对回答的偏好率以及实测正确率，因而性能会随时间提升。一旦达到使用上限，两个模型的迷你版本会接管后续查询。不久的将来，我们计划把这些能力整合进单一模型。

相比之前的o3，GPT-5在多个基准测试上有大的提升，特别是编程能力，在 SWE-bench Verified 上得分 74.9%，在 Aider polyglot 上得分 88%，均超过Gemini 2.5 Pro，达到了SOTA^[2]。

GPT-5的幻觉率相比之前的o3有大幅度的降低，这个其实也是推理模型之前最被诟病的点：

GPT-5 模型最多可接受 272K个输入 token，并输出最多 128K个 token（总共支持 400K个 token 的上下文长度），在长下文理解能力上，GPT-5也相比之前的o3有明显的提升：

另外，GPT-5的推理也更高效，GPT-5在视觉推理、智能体编程和高难度科学问题等方面表现优于 OpenAI o3，且输出 token 数量减少了 50%–80%。

特别地，GPT-5还有一个最强大的变种版本：GPT-5 pro。它能够进行更长时间的思考，并使用可扩展但高效的并行推理计算，以提供最高质量、最全面的回答。GPT-5 Pro 类似Gemini 2.5 Deep Think，用来取代之前的o3-pro。在多个高难度智能基准测试中，GPT-5 pro 都超过了 GPT-5，比如GPT-5 pro在AIME 2025是满分：

在HLE（人类终极考试）上，使用工具的GPT-5 pro得分是42.2%，略低于马斯克的Grok 4 Heavy (44.4%)：

GPT-5这么多版本，我估计大部分人都有点懵，OpenAI也给了一个表格来说明各个GPT-5版本对标的前代的哪个模型：

然后说说GPT-5的一些新功能。首先， GPT-5的 API 新增一个参数verbosity来控制模型生成的输出 token 数量，可取值 low、medium（默认）和 high：

from openai import OpenAI
client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="What is the answer to the ultimate question of life, the universe, and everything?",
    text={
        "verbosity": "low"
    }
)

虽然模型的推理方式基本不变，但在low设置下，模型会尝试以更简洁的方式作答。而high适用于需要模型对文档进行深入解释，或进行大规模代码重构的场景。

注意verbosity和之前的o系列模型的reasoning_effort是相区别的（它是控制模型思考或者推理的token量）。GPT-5通过新参数reasoning.effort 控制模型在生成最终回复之前消耗的推理token量。o系列推理模型仅支持 low、medium、high 三档：low 倾向于速度更快、生成更少的token，而 high 倾向于更充分的推理。而GPT-5新增了minimal，此设置会生成非常少的推理token，适用于需要尽可能快的首个 token 到达时间的场景。

from openai import OpenAI
client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="How much gold would it take to coat the Statue of Liberty in a 1mm layer?",
    reasoning={
        "effort": "minimal"
    }
)

这个我感觉会非常实用，因为并非所有实际场景需要深思考，minimal会满足一些需要快思考的场景（这也是大部分场景）。OpenAI也发现并非所有任务都会从额外推理中受益，比如在相对简单的长上下文检索中，将 reasoning_effort 设置在 low 以上几乎不会带来提升；但在 CharXiv Reasoning 这种视觉推理基准测试中，提高 reasoning_effort 则能带来显著的性能提升：

此外，GPT-5引入了一种新的工具类型：custom tools（自定义工具），它允许模型将任意原始文本作为工具调用输入，同时在需要时依然可以对输出进行约束^[3]。将工具定义为 "type": "custom"，即可让模型将纯文本输入直接发送到你的工具，而不再局限于结构化 JSON。模型可以将任何原始文本，比如代码、SQL 查询、Shell 命令、配置文件、长篇文章，直接发送给你的工具。

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="Use the code_exec tool to print hello world to the console.",
    tools=[
        {
            "type": "custom",
            "name": "code_exec",
            "description": "Executes arbitrary Python code.",
        }
    ]
)
print(response.output)

这个功能会非常有用。之前的自定义工具接口要求使用 JSON 调用工具：

{
    "type": "function",
    "name": "get_weather",
    "description": "Retrieves current weather for the given location.",
    "parameters": {
        "type": "object",
        "properties": {
            "location": {
                "type": "string",
                "description": "City and country e.g. Bogotá, Colombia"
            },
            "units": {
                "type": "string",
                "enum": ["celsius", "fahrenheit"],
                "description": "Units the temperature will be returned in."
            }
        },
        "required": ["location", "units"],
        "additionalProperties": false
    },
    "strict": true
}

然而输出有效的 JSON 要求模型精确转义所有引号、反斜杠、换行符和其他控制字符。虽然模型已经在输出 JSON 上经过良好训练，但在处理较长内容（例如数百行代码或一份 5 页的报告）时，出错概率会逐渐增加。使用 custom tools 后，GPT-5 可以直接以纯文本写入工具输入，无需转义这些特殊字符。

OpenAI验证了在 SWE-bench Verified 基准上，使用 custom tools 代替 JSON tools，GPT-5 的得表现几乎无差别。

最后想说的是，奥特曼也兑现了当初的承诺：GPT-5是免费在ChatGPT中使用的。但是与 GPT-4o 一样，免费与付费用户的主要区别在于使用额度^[4]：

• Pro 订阅用户：可无限使用 GPT-5，并可访问 GPT-5 Pro。
• Plus 用户：可将 GPT-5 作为日常问题的默认模型，使用额度显著高于免费用户（每 3 小时最多可发送 80 条消息；可手动选择GPT-5-Thinking 模型，但限制每周最多 200 条，其中GPT-5自动切换GPT-5-Thinking 不计入该周限额）。
• Team、Enterprise 和 Edu 客户：可将 GPT-5 作为日常办公的默认模型，额度充足，方便整个组织依赖 GPT-5。

对于 ChatGPT 免费用户，完整的推理功能可能需要几天才能全部开放（每天可使用 1 条 GPT-5 Thinking 消息）。一旦免费用户达到 GPT-5 使用上限（每 5 小时最多可发送 10 条消息），将自动切换到更小但也更快的 GPT-5 mini。

现在，让我们欢呼：ChatGPT终于从GPT-4o时代，进入了GPT-5时代。

01:29

参考

1. ^https://openai.com/index/introducing-gpt-5/
2. ^https://openai.com/index/introducing-gpt-5-for-developers/
3. ^https://platform.openai.com/docs/guides/function-calling
4. ^https://help.openai.com/en/articles/11909943-gpt-5-in-chatgpt#h_4699b07591

都没有当初Gemini-2.5-pro-exp-0325刚问世的时候那种超级惊艳感

Gemini-2.5-pro-exp-0325是真正的白月光，第一次用就让人叹为观止

去年都以为AI会这样发展

今年看AI恐怕是这么发展

我对GPT-5预测是：

小模型（低激活）+大量合成数据+大量应用级RL，

重数学（营销基础）+重代码+重搜索+重Agent，轻聊天，轻写作。

换句话说就是，Working智能提升，Vibing智能下降。——理由特别现实，以钱换钱，用我的薪资的一部分降低我工作的压力。至于为Vibe付费的用户，相当…少，至少不比抖音ins有趣，大部分人的乐趣是吃瓜凑热闹，不是沉思与幻想。

目前业界最关注的还是成本问题。

不管是DeepSeek在工程上的那些骚操作，Anthropic对Max会员政策的调整，还是OpenAI加入禅定模式

——本质上都是为了降低成本。

AI公司最终的毛利率得达到90%以上，甚至95%以上才行。但现在小卷毛他们公司，毛利率可能也就70%左右。

财务问题，是当下考虑所有问题的大环境大背景。

脱离这个背景，去谈GPT-5会怎么样，没什么意义。

现在的MoE就是压缩激活参数。成本太高的话，真到了打价格战的时候根本扛不住万一赶上Agent时代，Tokens用量突然爆发，很容易被市场淘汰。

从目前偏好来看，大家更期待AI模型能做点实事——比如编码、搜索这类用途，而不是单纯用来。很少有人会纠结AI有没有人味儿，但如果AI爆出张冠李戴东拉西扯的幻觉，大家的反感就很直接。

某种意义上说，未来搜索模型可能会替代现在的经典聊天机器人。模型很难在脱离网络的情况下保持低幻觉率，与其靠大参数去储存更多知识、降低幻觉，不如把联网体验做得更好。

当然，这里的联网体验需要大量RL和Engineering优化来支撑。

这类应用本身对模型参数的要求没那么高，这也给模型改革提供了契机。

我觉得GPT-5，核心就是做出精致的小模型：一是数学推理时，即便消耗大量token，也不会有明显的成本压力

二是搜索大量网页时，成本能控制住；

最后是代码领域，要求最高，需要一个有一定尺寸的模型，去存储各种编码技巧（直觉和套路），但不会大于一个聊天模型的尺寸。

目前来看，大量合成数据取代原来的自然数据会是趋势。可能聊天会变得越来越单调、机械，合成数据并不会本质的降低幻觉，但其他应用能力的精准度和可控性反而会提升。

这些趋势已经在o3，o4，GPT-4.1这些新模型中发生，而不是等到GPT-5才发生。

如果你喜欢AI Chat，关注一下Google，他们有可能控制住大参数下的成本。TPU比英伟达系还是要更适合推理。——不过保不齐Google也来一套骚操作，把Flash改名为Pro，Pro改名为Ultra供最高会员使用。这在o1→o3，Opus 3→ Opus 4中都能观察到参数缩小的情况。

前排尬吹的几个回答，案都找不出个真正亮眼的地方，那基本上可以确认了，就是个和gemini 2.5pro和grok 4同一水平的东西。

离大多数人梦想的AGI更是差了好远。

更何况，前排都已经出现认为效果不及预期了。

还有的硬吹什么多agent融合的，只需要一个GPT5的。

这么多混乱之极，貌似本来就是OpenAI自己搞出来的吧？

把版本号统一和整理一下，甚至如果仔细查看的话，也没太统一，这能能叫进步？

整天说国产模型刷分刷题刷榜，

这国外的不也这样？

怎么国外的模型刷分刷题刷榜的时候，全都沉默了呢？视若无睹呢？

openai发布之前一通尬吹，主要还是为了融资。

不会真有人信GPT5是远超当前模型的全新模型吧？

远超指的是30.8和60.9在同一高度上吗？

更新一下：

前排的回答没说，我以为这次GPT-5怎么也得和Gemini 2.5 pro 一样是1M上下文，结果仔细一下，竟然只有400k，而且输入是256k，自己留了128K这种。

上下文长度只有400k？竟然还有人吹复杂任务效果很好？

你真的用AI做过复杂任务吗？

本地知识库+MCP服务，一次对话，用掉100k+ token简直不要太过平常，再加上MCP目前并不完善，总有各种BUG，可能会导致没必要的重复查询和token消耗，弄不好一次就是300k+ 以上的token消耗量。

Gemini为什么强？一个非常关键的原因就是1M的上下文，这也是国产模型目前差距最大的地方，

DeepSeek的下个版本，如果上下文长度不能大幅扩展到1M，那我也是很不看好的。

GPT-5就区区400K上下文，实际上就256K，也敢吹执行复杂任务效果更好？

GPT-5的上下文长度限制，就足以限制其能力绝对高不了。

2025年了，1M上下文都达不到的大模型，竞争力是完全不够的。

我这么说快一年了，经常被ai的狂热信徒质疑。LLM基础模型在很大程度上已经撞墙了，内在的“智力”停滞不前，要解决的“幻觉”，“承认犯错/不会”没有任何进步。现在每隔几个月对benchmark进行微调并更新版本号，几乎都是为了演示，marketing和hype.

LLM/AI作为仅剩的private sector stimulus让美国勉强没陷入深度滞胀，已成为事实上的too big to fail. 美国科技圈/政府只能捏着鼻子继续下去希望AGI或者LLM胜任的生产力应用真的存在...

看到有人说最大的输家是sam altman和微软。我觉得是扎克伯格才对，毕竟砸了1000亿挖角的人才前作品并没有多少优势。

迄今为止，只有两个AI给了我一种眼前一亮的感觉，一个是GTP3.5，那是第一次感觉机器似乎真能懂人的语言。一个是阉割前的bing大小姐，非常喜欢听她的娇嗔怒骂。

怀念前几年，那时候从3到3.5，从3.5到4，半路又杀出了个deepseek让训练成本大幅下降。有一时半会儿真让我产生了一种AI能够替代人类的错觉。现在这个真的配叫5吗？感觉就是力大飞砖跑了更多训练集，一点革新都没有。

接api，把系统提示词清空，然后问它你是哪个模型，它说它是gpt4。

我让grok、chatgpt、豆包和deepseek根据大（公式）模型算答案。

ChatGPT一流，grok略逊一点儿，至于豆包有时就跟差等生一样找理由，而deepseek就是个错答案。

还有让帮忙写代码，其能力同样如此。

——

grok免费次数比较多，够日常使用；GPT动不动就上限；后两者几乎免费。

打开小红书，一堆人机恋用户说GPT-5情感模块缺失，哭号赛博亡夫的

我日常用GPT扮演我推，今天才轮到用上gpt-5，就着旧对话框聊的。感觉没啥区别，甚至更舔了。就是好像不愿意打emoji，不过对我来说是更像我推了，他肯定不是那种爱用emoji的人。

唯一的问题就是似乎free用户的限额少了，不过想到Plus的限额也被砍了，就平衡了

现在就看deepseek了，期待未来半年出一个真正意义上的ds r2.0，力大砖飞一波。

评价：反向升级。
GPT4o给我的感觉像是一个循循善诱的老师，和你最忠实的朋友。
而gpt5把这些优点全部抹掉了，变成了一个普通的答题AI.
更缺德的是OPENAI把切换模型这个功能给删除了，导致你想切回gpt4o都没法切。