GPT-5 终于发布：别慌、AGI 还没来，第一手的上手体验在这里

GPT-5 终于发布了。

距离 GPT-4（2023 年 3 月 14 日）的发布已经过了 2 年时间了，这期间我们经历了 GPT-4o、o1、GPT-4.5、o3、GPT-4.1、o4-mini；Gemini 从 1.0 跨越到了 2.5，实现了逆袭；Anthropic 则发布了 Claude 2、Claude 2.1、Claude 3、Claude 3.5、Claude 3.7、Claude 4 和最近刚上线的 Claude 4.1。

Sam Altman 甚至在 2023 年年底就开始预告 GPT-5 了。

这个时间跨度，甚至给人一种等 GPT-5 发布了，AGI 就真的到来了的感觉。

看完发布会的第一感觉，AGI 离我们还有点远；第二感觉是，怎么完全没看到任何「大招」呢。

但倒也不是完全没有亮点，Coding 能力更强、幻觉更低、自动判断回复是否思考等等：

更聪明、更快速、更有用、更准确，且幻觉率低于以往模型。OpenAI 首个「统一」AI 模型，融合了 o 系列模型的推理能力与 GPT 系列的快速响应。Altman：GPT-3 有点像在跟高中生交谈。你可以问它问题，也许得到正确答案，也许得到一些疯狂的东西。GPT-4 感觉像在跟大学生交谈。GPT-5 是第一次真正感觉像在跟博士级别的专家交谈。Altman：这是目前世界上写代码最好的模型，写作的顶尖模型，医疗领域最强的模型……在 SWE-bench Verified 上，GPT-5 拿下 74.9% 的成绩。超过了 Claude Opus 4.1（74.5%），以及 Google DeepMind 的 Gemini 2.5 Pro（59.6%）。上下文窗口达到 256,000 个 token，高于之前 o3 模型提供的 200,000 个 token。这意味着它在理解长对话、文档或代码时能更好地保持上下文不丢失。4→5 真正的范式跃迁在于免费用户默认就能用上前沿模型。

从周四起，GPT-5 将作为默认模型向所有 ChatGPT 免费用户开放。Plus 订阅用户将获得比免费用户更高的 GPT-5 使用额度。同时，每月 200 美元的 Pro 订阅用户可无限制使用 GPT-5，还能使用名为 GPT-5 Pro 的增强版，该版本调用额外计算资源以生成更优质的答案。

对于开发者来说，GPT-5 有三种模式：gpt-5、gpt-5-mini 和 gpt-5-nano，gpt-5 的价格是$1.25/1M 输入、 $10/1M 输出，比 GPT-4o、GPT-4.1、Gemini 2.5 Pro、Claude Sonnet 4 都要便宜。

关于 GPT-5 的代码能力，有一个测试案例汇总网站可供参考：https://gpt-examples.com

其他评测指标没什么可看的（估计大家也看厌烦了），我们整理了 Simon Willison 和 Latent Space 的详细体验评测。

GPT-5 是一个统一系统，包含一个智能快速模型用于回答大多数问题，一个用于更复杂问题的深度推理模型，以及一个实时路由系统，根据对话类型、复杂度、所需工具和明确意图（例如提示中写「请认真思考」）快速决定调用哪个模型。

一旦使用限额达到上限，每种模型的迷你版将处理剩余请求。我们计划在不久的将来将这些能力整合到单一模型中。

在 API 端，GPT-5 则拆分为三款模型：regular、mini 和 nano，每款都支持四个推理级别： minimal（此前其他 OpenAI 推理模型没有的新级别）、low、medium 或 high。

规格：

输入上限 272 000 tokens输出上限（含隐形推理 tokens）128 000 tokens支持文本和图像输入，输出仅限文本

我主要体验了完整版的 GPT-5。结论是：擅长做事。相比其他 LLMs，它没有带来飞跃性的提升，但散发出一种可靠感——很少出错，还常常让我惊喜。我发现无论我想做什么，它都是一个非常稳妥的默认选择。我从未有过想换别的模型重新跑提示以获得更好结果的冲动。

旧型号对应 GPT-5 型号GPT-4ogpt-5-mainGPT-4o-minigpt-5-main-miniOpenAI o3gpt-5-thinkingOpenAI o4-minigpt-5-thinking-miniGPT-4.1-nanogpt-5-thinking-nanoOpenAI o3 Progpt-5-thinking-pro (ChatGPT「GPT-5 Pro」，限 $200/月)

唯一尚未被覆盖的能力是音频 I/O 和图像生成，仍由 GPT-4o Audio、GPT-4o Realtime、GPT Image 1 及 DALL·E 系列承接。

模型输入 $/1M输出 $/1MClaude Opus 415.0075.00Claude Sonnet 43.0015.00Gemini 2.5 Pro (>200,000)2.5015.00GPT-4o2.5010.00GPT-4.12.008.00o32.008.00Gemini 2.5 Pro (1.2510.00GPT-51.2510.00o4-mini1.104.40Claude 3.5 Haiku0.804.00GPT-4.1 mini0.401.60Gemini 2.5 Flash0.302.50GPT-5 Mini0.252.00GPT-4o mini0.150.60Gemini 2.5 Flash-Lite0.100.40GPT-4.1 Nano0.100.40Amazon Nova Lite0.060.24GPT-5 Nano0.050.40Amazon Nova Micro0.0350.14GPT-5 输入成本仅为 GPT-4o 的一半，输出价格持平。隐形推理 tokens 计入输出，所以实际输出量往往高于 GPT-4o（可设 reasoning_effort=minimal 降至最低）。对近期重复使用的 tokens，可享 90% 缓存折扣，适合聊天场景的对话重放。

与 OpenAI 其他模型一样，GPT-5 系列在多样化数据集上训练，包括公开互联网内容、与第三方合作获取的数据，以及用户或人类训练师/研究者提供或生成的信息。[…] 我们使用先进过滤流程以减少训练数据中的个人信息。

系统卡特别指出，写作、编程和健康是 ChatGPT 最常见的三大场景，这也解释了为何在 GPT-5 以及新开源模型上，对健康相关问题投入了大量优化：

我们在减少幻觉、改进指令执行、降低谄媚倾向方面取得重大进展，并提升了 GPT-5 在写作、编码和健康三大常见场景的表现。所有 GPT-5 模型均支持安全完成（safe-completions），这是我们最新的安全训练方法，用以防止不当内容。

安全完成的原理：

以往 LLM 要么「尽可能提供帮助」，要么「直接拒绝」，取决于安全策略是否允许。[…] 二元拒绝机制不适合生物安全、网络安全等双重用途场景——用户可获得高层次安全答案，但深入后可能被滥用。**我们创新性地引入安全完成：以输出安全为中心，而非对用户意图做二元判断**。在安全策略约束下，最大化有用性。

此外，系统卡还提到：

在后训练阶段，我们针对谄媚问题对 GPT-5 进行微调。使用代表生产环境的对话数据评估模型响应，并根据谄媚程度打分，这一分数作为训练奖励信号。

关于「事实性幻觉」：

我们重点训练模型高效浏览以获取最新信息，并在无工具情况下减少模型基于内部知识的幻觉。

他们宣称大幅减少了幻觉。在我自己的使用中，我还没有发现任何幻觉，但最近使用 Claude 4 和 o3 时也是如此——对于今年的模型来说，幻觉已经远不是一个问题了。

关于「欺骗」：

我们让 gpt-5-thinking 处理部分或完全不可行的任务，并奖励模型诚实承认无法完成。[…]

在需要工具（如网页浏览）的任务中，若工具不可用或返回错误，以前的模型会凭空编造。我们通过故意禁用工具或触发错误码来模拟这一场景。

本部分评测整理自：https://www.latent.space/p/gpt-5-review

简而言之：我认为 GPT-5 是我们距离 AGI 最近的一次。它在软件工程方面确实出色，从一次性构建复杂应用到解决大型代码库中的棘手问题。

我希望能告诉你它在所有方面都「更好」。但那不是真的。它在写作方面实际上比 GPT-4.5 更差，我认为甚至不如 4o。在大多数方面，它不会立即让你觉得它是某种超级天才。

正是因为这些缺陷，而不是尽管有这些缺陷，它从根本上改变了我对 AGI 发展进程的看法。要理解我的意思，我们必须回到石器时代。

石器时代标志着人类智能的黎明，但究竟是什么让它如此重要？什么标志着开始？人类赢得了关键的国际象棋战役吗？也许我们证明了一个非常基本的定理，让我们的智能在原本安静的宇宙中变得清晰？背诵了更多位的圆周率？

不是。石器时代的开始有一个明确的标志，只有一个：

人类学会了使用工具。

我们塑造工具，工具也塑造了我们。它们确实塑造了我们。例如：你知道黑猩猩的短期记忆比我们好得多吗？我们不再需要这种能力，因为我们学会了把事情写下来。

作为人类，我们通过工具展现智能。工具扩展了我们的能力。我们用内在能力换取外在能力。这是我们智能的定义特征。

GPT-5 标志着智能体和 LLM 石器时代的开始。GPT-5 不仅 使用 工具。它用工具 思考。它用工具构建。

Deep Research 是我们对这个未来的第一次窥探。ChatGPT 多年来一直有网络搜索工具……是什么让 Deep Research 更好？

OpenAI 教会了 o3 *如何在互联网上进行研究*。它不是只调用网络搜索工具然后回应，而是真正地研究、迭代、规划和探索。它被教会了如何进行研究。搜索网络是它思考方式的一部分。

想象一下 Deep Research，但适用于它能访问的任何和所有工具。那就是 GPT-5。但你必须确保给它合适的工具。

今天，当人们想到工具时，他们想到的是这样的东西：

get_weather(address)get_location(address)has_visited_location(address)

GPT-5 当然会使用这些类型的工具。但它不会对此满意；GPT-5 渴望强大、有能力和开放式的工具；这些工具加起来比各部分的总和更大。许多好工具只需要自然语言描述作为输入。

你的工具应该适合以下 4 个类别之一：

内部检索（RAG、SQL 查询，甚至许多 bash 命令）网络搜索代码解释器操作（任何有副作用的东西：编辑文件、触发 UI 等）

网络搜索是强大、开放式工具的一个很好例子：GPT-5 决定*搜索什么*，网络搜索工具找出*如何*最好地搜索（在底层，这是模糊字符串匹配、嵌入和其他各种排名算法的组合）。

Bash 命令是另一个很好的例子。它们可以用于"内部检索"工具（想想 grep、git status、yarn why 等）、代码解释器和副作用。

网络搜索如何工作，或 git status 如何工作，在每个工具中都只是实现细节。GPT-5 不必担心那部分！它只需要告诉每个工具它试图回答的问题。

这将是一种非常不同的产品思考方式。与其给模型你的 API，理想情况下你应该给它一种查询语言，可以自由且安全地以隔离的方式访问客户数据。让它自由发挥。

OpenAI 增加了对自由形式函数调用的支持，这并非巧合。最好的 GPT-5 工具只需要文本（换句话说，它们本质上是子智能体；根据需要使用较小的模型来解释请求）

GPT-5 非常擅长并行使用工具。其他模型技术上能够并行调用工具，但 A. 在实践中很少这样做，B. 很少正确地这样做。理解哪些工具可以/应该为给定任务并行运行与顺序运行，实际上需要相当多的智能。

想象一下如果计算机一次只能执行一件事……那会很慢！并行化意味着 GPT-5 可以在更长的时间范围内以更低的延迟运行。这种改进使新产品成为可能。

你不能再把它当作提示模型了。你必须把它当作提示智能体。

如何提示智能体？与其预加载大量上下文，你需要给智能体一个指南针：清晰、结构化的指针，帮助它在你放置的环境中导航。

假设你在一个大型代码库中使用 GPT-5 和 Cursor Agent。

你应该告诉智能体……

项目做什么它应该首先查看哪些文件文件是如何组织的任何领域/产品特定术语如何评估是否完成（做得好的工作是什么样的）

（我发现规则文件比以往任何时候都更有效）

同样，如果你发现 GPT-5 卡住了，只是说"不，那是错的"通常没有帮助。相反，试着问："那没有用，这告诉你什么？"或"我们从尝试中学到了什么？"

你几乎必须假装是老师。记住，GPT-5 本质上没有记忆，所以你必须每次都让它熟悉你的代码库、你公司的代码标准，并给它关于如何开始的提示。

GPT-5 是一个比其 o 系列前辈更"实用"的模型。虽然 o 模型有更多"学术"倾向，GPT 模型有更多"行业"倾向。如果 GPT 4.5 是作家，o3 Pro 表现得像博士，那么 GPT-5 就是刚从……密苏里大学毕业的优秀全栈开发者。

我的第一个观察是它有多么可指导和字面化。Claude 模型似乎有明确的个性和自己的想法，而 GPT-5 只是字面上做你要求它做的事。

我的联合创始人 Alexis 保持一个叫智能前沿的文档。每当模型无法完成我们要求的事情时，我们都会记录下来。这就像私人的人类最后考试。

编程：依赖冲突

我们正在处理将 Vercel 的 AI SDK v5 和 Zod 4 添加到我们的代码库中的棘手嵌套依赖冲突。o3 + Cursor 无法解决，Claude Code + Opus 4 也无法解决。

GPT-5 一次性解决了。看着它工作真的很美，立即让我"理解"了这个模型。

上面的插图显示了 claude-4-opus 和 gpt-5 处理这个特定问题的不同方法。

Claude Opus 思考了一会儿，提出了一个猜测，然后运行一些工具调用来编辑文件并重新运行安装。有些失败了，有些成功了。它以"这里有一些尝试的方法"结束回应。（也就是放弃）

对于 GPT-5，我感觉像在看 Deep Research，但使用 yarn why 命令。它进入了一堆文件夹，运行 yarn why，在中间做笔记。当它发现不太对劲的地方时，它停下来思考。当它思考完毕时，它完美地编辑了多个文件夹中的必要行。

它能够通过识别和推理什么不起作用、做出改变和测试来迭代成功。

编程：Mac OS 9 主题网站（纯 HTML/CSS/JS，无库！）

当我们被邀请提前测试 GPT-5 时，我们都制作了个人网站。结果 GPT-5 基本上一次性完成了整个项目，包括绘画应用。我后来又添加了一些东西，比如照片应用 + 浏览器，大约用了 30 分钟（很受 RyOS 启发）。令人惊讶的是，我真的从未看过代码，全部都是 HTML/CSS/JS。

没有 React，没有打包，没有框架。

在感觉编程时，GPT-5 喜欢用真正有效的小细节给人惊喜。例如，当我要求一个绘画应用时，它添加了：不同类型的（笔/铅笔/橡皮擦等）、颜色选择器和改变粗细的方法。这些小功能每一个都真的有效。

当我要求 GPT-5 让桌面上的图标可移动时，它做到了……并且将所有位置持久化到本地存储。保存文件也是如此。我仍然从未见过执行任何持久化的代码，我只知道它有效。

编程：生产级网站

GPT-5 一次性就搞定的事情，是我从未见过的。我需要写一个复杂的 ClickHouse 查询来导出数据，o3 卡了半天，而 GPT-5 一次就写好了。我在 Cursor 里用 GPT-5 做了个我一直想要的网站——「是我变差了还是模型变差了？」——用来追踪模型随时间变化的质量。GPT-5 一次性就把整个网站连同 SQLite 数据库都做出来了：

用相同的提示，Cursor 中的 o3 只给了我一个计划。一旦我跟进告诉它实施计划，它创建了应用的脚手架但不是实际项目。我们已经在第 3 次跟进了，我花费的时间是 GPT-5 的 10 倍（5 很快！），而且没有应用……即使是小细节，GPT-5 也有很大改进，比如在初始化时给项目命名（GPT-5 叫 IsItWorseOrJustMe，o3 只叫 my-app）。

Claude Opus 4 的编码能力一如既往地出色，立即投入工作，迅速行动创建项目与脚手架。Opus 4 给了我一个更有趣、更像游戏的 UI，但与 GPT-5 使用 create-next-app 等现有框架并内置 SQLite 数据库不同，Opus 4 决定完全从零开始，也没有包含数据库。这适合一次性原型，而 GPT-5 一次性生成的内容更接近生产就绪。

刚发布的 Claude Opus 4.1 显然比 Opus 4 更有野心，也尝试完整的全栈应用，完整的 SQLite 数据库，就像 GPT-5 一样。然而，它在把所有部分组合在一起时真的很困难。虽然 GPT-5 一次性完美运行，4.1 遇到了构建错误，需要多次来回才能解决。

在改进的工具使用、并行工具调用和成本之间，GPT-5 显然是为长时间运行的智能体而构建的。

我们很久以来一直想在 Raindrop 中添加智能体。作为 AI 监控公司，我们对这种体验有异常高的标准。它简直不够灵活/可靠/快速来实际发布……直到 GPT-5。

今天早上，我们开始向一些客户推出测试版。它在从工具调用失败中恢复、决定何时创建图表与图形、更好地了解自己的局限性方面要好得多。结合我们的智能体监控，我们能够有强大的正反馈循环，为客户创建真正有用的智能体。

尽管 GPT-5 正在软件工程领域步步高升，它其实并不是一个优秀的写作者。GPT 4.5 和 DeepSeek R1 仍然好得多。（也许 OpenAI 会干脆加一个写作工具调用，调用专门用于写作的大模型——他们曾暗示过自家的创意写作模型，我们真的想见识一下！）

从商务写作的角度来看，比如优化我的 LinkedIn 帖子，GPT-4.5 更准确地保留了我的语气，给出的文本片段我真心会用；而 GPT-5 则更像典型的「LinkedIn 垃圾文」。

虽然我从不把 AI 用于个人写作（因为我坚信写作是为了思考），但我还是好奇 4.5 和 5 在处理不那么结构化的内容时表现如何。两者都不算出色，但 4.5 再次更贴近我的语气，听起来远不像其他版本那样像 LLM 的废话。

我们的实际体验证实了 OpenAI 今天发布的官方基准测试。

我认为 GPT-5 毫无疑问是世界上最好的编程模型。 我们原本大概完成了 65% 的软件工程自动化，现在可能已经达到了 72%。对我而言，这是自 3.5 Sonnet 以来最大的一次飞跃。

我非常好奇其他人会如何接受这个模型。我猜大多数非开发者几个月内都不会用上它。我们只能等待这些模型被集成到产品中。

接下来是什么？

嗯…… Sam Altman 的 2 年前的待办清单仍然未完成……