GPT-5 发布，Sam Altman：像和博士级别专家对话，编程/写作/健康三大场景重点升级

原创于 2025-08-08 14:16:53 发布 · 918 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #chatgpt #编程 #创意写作 #健康 #大语言模型 #llm

人工智能专栏收录该内容

110 篇文章

订阅专栏

「GPT-3 感觉像是在和一位高中生对话，GPT-4 像是在和一位大学生交流，而 GPT-5 则是在和博士级别的专家对话」，在刚刚结束的发布会上，Sam Altman 在开场发言中对 GPT-5 给予了高度评价——GPT-5 是「全球在编程和写作方面最强的模型」。

构建统一系统

GPT-5 作为一个统一系统，包含一个智能高效的模型用以回答大多数问题（GPT-5-main），一个用于解决更复杂问题的深入推理模型（GPT-5-thinking），以及一个实时 router，可根据对话类型、问题复杂度、所需工具以及用户的明确意图快速决定使用哪个模型。 router 会持续通过真实信号进行训练，包括用户在模型之间切换的行为、对回答的偏好比例以及回答的正确性评估，从而不断优化。

根据其公开的官方文档显示，包括 gpt-5-thinking 、 gpt-5-thinking-mini 和 gpt-5-thinking-nano 在内的推理模型是通过强化学习进行训练的，以提升其推理能力。这些模型在回答问题前会进行「思考」，并在响应用户之前生成一整段内部思维链。通过训练，这些模型学会了优化思考过程、尝试不同策略并识别自身错误。

根据 OpenAI 的评测，在包括视觉推理、智能体编码以及研究生级别的科学问题求解等能力上，GPT‑5（开启推理模式）相比 OpenAI o3 表现更优，且输出的 token 数量减少了 50% 到 80% 。

同时，在评估代码能力的 Aider polyglot 测试中，GPT‑5 以 88% 的得分刷新纪录，其错误率较 o3 降低了三分之二。

此外，GPT-5 还在多个领域刷新了当前 SOTA，例如，在 AIME 2025 测试中取得 94.6% 的得分，在真实世界编码任务 SWE-bench Verified 上的得分为 74.9%，在 MMMU 得分为 84.2% 。在 GPT‑5 pro 的增强推理能力支持下，该模型还在 GPQA（通用推理问答）任务中取得了 88.4% 的成绩，同样达到了当前的 SOTA 水平。

重点提升三大场景：写作、编程和健康咨询

据悉，OpenAI 此次在 ChatGPT 最常见的三大应用场景——写作、编程和健康领域，进一步提升了 GPT-5 的性能。

OpenAI 提出，GPT‑5 是其迄今为止最强大的编程模型，其在复杂前端生成和大型代码库调试方面实现了显著提升——只需一个提示词，就能生成美观且响应迅速的网站、应用和游戏，展现出极高的审美敏感度。同时，GPT‑5 在深度分析代码库方面表现出色，能够精准解答关于代码模块运作机制及相互协作的问题。

除编程外，GPT‑5 在各类 Agent 任务中的表现也十分突出，其在指令遵循（在 Scale MultiChallenge 上的得分达到 69.6%）和工具调用（在 τ(2) -bench telecom 上的得分达到 96.7%）的基准测试中均创下了新纪录。

在 LongFact 和 FactScore 基准测试中，GPT‑5 的事实错误率比 o3 低约 80% 。这使得 GPT‑5 尤其适用于正确性要求高的 Agent 任务场景，特别是在代码生成、数据处理和决策支持等关键领域。

在创意写作方面，GPT-5 能够创作出具有文学深度与节奏感、引人共鸣的文案，其在处理结构上存在歧义的写作任务时更加可靠，比如保持无韵抑扬格的连贯性，能够在尊重文体形式的同时实现清晰有力的表达，从而在起草润色报告、邮件、备忘录等场景下提供更真实的写作。

值得一提的是，为调控 GPT‑5 回答的默认长度，OpenAI 还新增了 Verbosity API 参数，该参数支持 low 、 medium 、 high 三档可选值。如果显式指令与冗余参数发生冲突，则显式指令优先。例如，如果用户让 GPT‑5「写一篇包含五段文字的文章」，则该模型的回复始终应包含五段内容。

在健康相关的问题上，GPT-5 在 HealthBench 基准测试中的得分创历史新高，达到 46.2%，其能够主动识别潜在健康问题，并根据用户的背景知识和地理位置提供精准建议。