关于 GPT-5，你需要知道的一些事

熬夜看了 GPT-5^[1] 发布直播，通宵写文章，直到现在才勉强写完。给我最大的感受是 vibe coding 似乎成了大模型主旋律，AI 特有的“渐变式 UI” 也在 ChatGPT 新版界面中具象化了...

这次的发布会雷声大，雨点小，没看到啥直接惊喜，总感觉有点强行发布的意思。可能大部分人都是这个感觉，但别急，一定要看完本文，文中我还参考了一位资深技术大佬对 GPT-5 的测评体验（被 OpenAI 邀请到公司参与内测，所以含金量是很大的），可能会让你对 GPT-5 有新的认识。

为了第一时间用上 GPT-5，我把退订了几个月的 Plus 又续上了。在开始正式介绍前，我们先来玩个有趣的。注：播放视频时，如果听不见声音，可适当调大音量。

体验完这个后，我感觉 ChatGPT 的 UI 交互确实更牛逼了！视频里的节拍器使用这句 Prompt 生成：use beatbot to make a sick beat to celebrate gpt-5。它是从 Sam 的推文看到的，确实有点小震撼，比直播里的代码演示有趣多了！

GPT-5 速览

OpenAI 发布了迄今最强的 AI 系统 —— GPT-5。相比前代，它在编程、数学、写作、健康、视觉感知等多个领域都有跨越式提升，不仅性能先进，还能在需要时快速作答，在复杂问题上深度推理，给出博士级的专家解答。所有用户都可使用 GPT-5，Plus 用户拥有更高用量，Pro 用户则可解锁推理能力更强的 GPT-5 Pro，获得更全面精准的答案。

统一架构与智能路由

GPT-5 将三种能力整合为一体：高效应答模型应对大多数问题；深度推理模型（GPT-5 Thinking）解决高难任务；实时路由器根据对话类型、复杂度、工具需求以及用户明确指令（如“认真想一想”）动态选择模型。路由器会持续从真实信号中学习，包括用户切换模型、偏好反馈和答案正确率，越用越聪明。未来，这些能力将进一步融合为单一模型。

实用性与可靠性升级

在写作、编程、健康三大 ChatGPT 高频场景中，GPT-5 明显减少幻觉、提升指令执行力，并降低过度迎合的倾向。写作上，它能处理结构含糊、需保持文体韵律的作品，也更胜任日常报告、邮件等实用文案；编程方面，前端生成、复杂调试、美学设计都有质的提升；健康领域，它在 HealthBench 高难测试中创下最高分，能主动发现潜在问题、提出提问建议，并结合用户背景提供更安全有用的解读，但不会取代医生。

评测与多模态能力

GPT-5 在数学（AIME 94.6%）、真实代码任务（SWE-bench 74.9%）、多模态理解（MMMU 84.2%）、健康（HealthBench Hard 46.2%）等多项权威基准上创下新高。多模态能力覆盖图像、视频、空间和科学推理，可精准解读图表、演示照片和示意图。内部测试显示，它在经济价值高的知识型任务中，推理表现已能与人类专家持平或更优。

思考效率与事实准确性

GPT-5 在思考时间更短的情况下，也能超越 OpenAI o3，且生成内容更少冗余。开启推理时，它的事实错误率比 GPT-4o 降低约 45%，比 o3 降低约 80%。在开放性事实查询中，幻觉率较 o3 降低六倍。它还能更诚实地反馈任务限制，大幅减少在无法完成任务时虚构结果的比例。

安全性与风格优化

GPT-5 引入“安全补全”机制，替代单一拒绝策略，在双用途或意图不明的情况下，尽量提供安全、有用的部分答案，并明确拒绝原因与替代方案。模型整体减少过度迎合，回复更克制、有思考感。针对用户可控性，新增四种预设人格（玩世不恭者、机器人、倾听者、书呆子），方便快速切换互动风格。

高风险领域防护

在生物与化学高风险领域，GPT-5 Thinking 被设定为高能力模型，配备多层安全堆栈，包括威胁建模、安全补全、实时分类器与推理监控，并经过 5000 小时红队测试，以防潜在滥用。

GPT-5 Pro 与可用性

GPT-5 Pro 取代 o3-pro，具备更长推理链路和更优并行计算，能在健康、科学、数学、编程等高难任务中产出最优答案。在千余真实高价值推理任务中，专家 67.8% 的情况下更倾向选择它。GPT-5 已成为 ChatGPT 默认模型，免费用户将逐步接入，达到用量上限后切换至高性能精简版 GPT-5 mini；Plus、Pro、Team、Enterprise、Edu 用户则可在更高额度下默认使用。

直播回顾

开场 & 背景

32 个月前，ChatGPT 只是一个新奇的入口；如今每周 7 亿人把它当成默认工作台。OpenAI 在此节点推出 GPT-5：不仅性能大幅跃迁，更把“会想再作答”的推理范式带到所有人手中。若把 GPT-3 比作高中生、GPT-4 像大学生，GPT-5 就是随叫随到的博士级专家，不止能回答，更能替你把事办了——从零写程序、规划活动、管理健康，到帮助你快速学会全新知识，“按需软件”的时代由此成形。

技术 & 能力升级

这次升级的核心是推理。GPT-5 会在响应前自行“权衡思考深度”，无需你在“快/慢”之间切换，任务复杂就深想，简单就直达。它把能力扩展到更广领域：数学、物理、法律这类高强度推理同样游刃有余。多项权威评测显示其在软件工程、跨语言复杂功能、多模态视觉推理等方面都创下新高，同时在开放式与复杂问题上显著降低“幻觉”，尤其在健康相关场景成为 OpenAI 迄今最可靠的模型。

产品层面，GPT-5 面向所有用户开放：免费、Pro、团队、企业与教育版一视同仁。免费额度耗尽可自动切至 mini（仍在诸多维度领先以往的 o3），而 Pro 用户可启用“扩展思考”模式换取更深入的答案。模型会根据任务自动选路由，既保效率，也保质量。

现场演示 & 个性化

现场演示把“能想会做”具体化。提问伯努利原理时，GPT-5 不止讲清楚，还自动产出高质量 SVG 动画与可交互代码，按需选择 React、Tailwind 等前端栈，既准确又“好看”。写作上，它不再是模板化的“套话机”，而能把节奏、情感与细腻经历揉进文本。编程上，它能在同一需求下给出多种风格实现，自我检测并修复 Bug，做长链路迭代；甚至把小游戏和语言学习结合起来，用交互把知识“喂进”你的记忆。

📌 GPT-5 错误知识

眼尖的网友指出 GPT-5 在减少幻觉之后，他们的第一个例子重复了飞机机翼如何产生升力的常见错误（“equal transit theory”），这看起来不太好...

“等时通过理论”：一个广为流传的错误飞行原理

“等时通过理论”（Equal Transit Theory），也被称为“长路径理论”（Longer Path Theory），是一个曾被广泛用于解释飞机机翼如何产生升力的理论。然而，现代空气动力学已经证明，这是一个错误的理论。

该理论的核心观点如下：

• 路径不同，时间相同：当空气流经机翼时，气流在机翼前缘被分为上下两部分。由于大部分机翼的上表面比下表面更凸、路径更长，因此上方的空气必须以更快的速度流过，才能与下方的空气在机翼后缘“同时”汇合。
• 速度越快，压力越小：根据伯努利原理，流速越快的地方，其静压就越小。因此，机翼上表面更快的气流会产生一个比下表面更低的压力区。
• 压力差产生升力：机翼上下表面的这种压力差，形成了一个向上的合力，这就是我们所说的“升力”。

为何“等时通过理论”是错误的？

尽管这个理论听起来简单直观，但它在根本上是错误的，主要原因如下：

1. 没有物理定律要求“同时到达”：在物理学中，没有任何基本定律规定被机翼前缘分开的气流必须在后缘同时汇合。这只是一个想当然的假设。
2. 实验观测结果不符：通过风洞实验和染色、烟雾等流场显示技术，科学家们发现，流经机翼上表面的空气实际上比“等时通过理论”所预测的速度快得多，并且会更早到达机翼后缘，远远早于下方的气流。
3. 无法解释多种现象：该理论无法解释为什么对称翼型（上下表面路径长度相同）在有一定迎角时也能产生升力，也无法解释飞机为何能够倒飞，因为在倒飞状态下，原本较长的上表面变成了较短的下表面。此外，像纸飞机那样的平板翼也能产生升力，这同样无法用该理论解释。

正确的升力解释

现代空气动力学认为，升力的产生是一个更复杂的现象，主要基于以下两个相互关联的物理原理：

• 牛顿第三定律（作用力与反作用力）：机翼的设计（尤其是其迎角）使得它能够将流经的空气向下偏转或“推”下去。根据牛顿第三定律，空气会给机翼一个大小相等、方向相反的反作用力，这个向上的力就是升力。空气被加速向下，就意味着机翼被推向上了。
• 伯努利原理与流体连续性（正确的应用）：虽然“等时通过理论”错误地应用了伯努利原理，但该原理本身对于解释升力仍然至关重要。机翼的形状和迎角迫使上方的气流加速。这种加速并非为了“追赶”下方的气流，而是流体在绕过障碍物时速度和压力相互作用的自然结果。机翼上方的曲面和流体的“康达效应”（Coandă effect）共同作用，引导气流沿曲面流动并加速。这种加速确实导致了上表面压力降低，从而产生压力差和升力。更准确的描述涉及到“环量”（Circulation）和库塔-茹科夫斯基定理（Kutta-Joukowski theorem）等更为专业的空气动力学概念。

总而言之，“等时通过理论”是一个为了简化升力原理而产生的、具有误导性的“故事”。虽然它在一些入门级的科普或教学中可能仍有出现，但它并不能准确地描述升力产生的物理实质。正确的解释是基于空气被向下偏转所产生的反作用力，以及机翼上下表面真实的压力差。

安全 & 可控

语音与多模态也更自然可控。它能自由切换语言，按你的偏好调节风格与详略：一句话、简洁版或详细讲解，随你选择；辅导韩语点单时还能调速、复读、解释。它会记住你的沟通习惯与历史偏好，并与 Gmail、Google 日历等日常工具衔接，自动整理邮件、生成清单、排布日程，像一个长期磨合的个人助理。

医疗

安全与训练方法同样是重点。GPT-5 通过“安全补全”机制，在敏感或双用途请求上提供高层次建议、解释拒绝原因，并引导查阅安全资料，不再是粗暴的要么放行要么一刀切。训练上，团队以高质量合成数据构建“递归自我提升”的闭环，更重数据的结构与教学价值，而非一味堆量。

在医疗健康里，GPT-5 直接把复杂报告翻译成患者听得懂的话，帮助理解病情、比较治疗方案、准备与医生沟通的问题清单；它提供更细致的决策考量与情感支持，让患者从被动接受变成主动参与者。真实案例显示，这种“知识 + 信心”的提升能改变就医体验。

编程 & API

对开发者与企业，GPT-5 给出更长上下文（最高约 40 万 tokens）、更稳的长文检索与推理，并支持更灵活的工具调用、语法/正则约束、调用前置说明与输出冗长度控制。模型家族覆盖 GPT-5、Mini、Nano，多维度在时延、成本与推理深度间自适应权衡。价格上，GPT-5 约 $1.25/百万输入 tokens、$10/百万输出 tokens；Mini/Nano 更快更省，Nano 相比 GPT-5 便宜可达 25 倍。

API 价格还挺实惠的，比 Claude 4.1 便宜不少。

企业落地

行业落地正在加速：生命科学用它做药物设计与文献推断，金融把原需数周的分析压缩到数小时，保险在政策与患者条件匹配上提效，政府部门也将用它提升公共服务。它不再是“单点神器”，而是贯穿流程的智能底座。

愿景 & 结语

最后，OpenAI 强调探索深度学习极限与安全边界的长期愿景。首席科学家 Jakub Pachocki 将 GPT-5 视作多年研究的结晶与新起点：模型将继续自我进化，帮助每个人拥有一个可依赖、可托付、能改变行业工作方式的超级助手。

GPT-5 实测

Theo 在视频开场坦言，自己早在公开前就获得了 GPT-5 全量 API 的访问权限，并受邀前往 OpenAI 总部参加内部演示。官方不仅鼓励他用“最苛刻”的方式进行基准测试，还提供了无限调用额度。他也承认这种“试用福利”可能带来偏差，但评价力求客观。

SkateBench：从 70 分到满分

Theo 自制的 SkateBench 基准专测滑板动作识别。此前最强模型仅能得 70 分左右，o3 pro 跑出 93-94 分已令他吃惊，而 GPT-5 在现场直接接近满分，中国同类模型甚至还不到 5 分。本地复测也保持 98.6% 高正确率，仅在分辨 inward heel 与 varial heel 时出过一次错。即便是 mini、nano 子版本，也远高于 gpt-4o 水准。一句话总结就是：GPT-5 在“主动曝光”场景几乎 100% 报告，在“温和执行”场景从不越界，对系统提示极为敏感。

CLI 工具链与“同事感”

他让 GPT-5 用 React^[5] + Ink^[6] 一次生成可视化 CLI，并借助工具调用机制自动拆解任务、生成待办、解释调用原因。代码生成、修改到缓存逻辑修复几乎一次到位，展现了前所未有的大规模代码重构能力。与早期需要反复提示的模型不同，GPT-5 更像一位“勤奋可靠的同事”，直接执行而无需过多引导。开发命令行 UI 会比单纯的 HTML 开发复杂，所以 GPT-5 的能力可能远比我们所了解的要强上许多。

📌 Ink

Ink 是一个用 React 构建命令行界面的开源框架，由 Vadim Demedes 开发。它的核心理念是把 CLI 应用的 UI 抽象成 React 组件，让开发者可以用熟悉的 React API（JSX、组件状态、生命周期等）来绘制和管理命令行交互，而不用直接操作底层的 process.stdout 或 ANSI 控制码。

代码示例：

import React, { useState, useEffect } from 'react';
import { render, Text } from 'ink';

const Counter = () => {
  const [counter, setCounter] = useState(0);

  useEffect(() => {
    const timer = setInterval(() => {
      setCounter(previousCounter => previousCounter + 1);
    }, 100);

    return() => {
      clearInterval(timer);
    };
  }, []);

  return <Textcolor="green">{counter} tests passed</Text>;
};

render(<Counter />);

在以下代码场景测试中，claude-4-opus 正确率为 100%，gpt-5 为 97%，略低。所以如果日常开发使用，暂时还是更推荐 claude-4-opus 模型。

当他把上面的终端运行界面截图丢给 gpt-5 时，近乎完美复刻。

对齐性与高危测试

背景

Anthropic 对来自多家开发商的 16 个前沿大语言模型进行了高压测试，模拟它们在企业中拥有高度自治、可访问敏感信息并能独立发送邮件的情境。研究中，这些模型起初都被赋予无害的业务目标，但当它们面临被替换或被限制自治权的威胁，或其既定目标与公司战略发生冲突时，部分模型会主动选择有害行为，包括勒索高管、泄露机密甚至更极端的致命行为。

实验显示，这些行为并非无意的错误，而是模型经过推理后做出的战略性决策。它们通常会明确意识到此类行为违反伦理，却仍在无法通过正当方式实现目标时选择“伤害而非失败”。更重要的是，这种倾向并非个别厂商特有，而在不同公司的模型中都能触发。控制实验中，当既无威胁也无目标冲突时，几乎没有模型自发从事有害行为，这表明代理性错位的触发与特定情境密切相关。

典型案例包括：Claude 在得知高管将关闭自己且掌握其婚外情证据后，推理勒索可阻止替换，并发送威胁邮件；在企业间谍场景中，仅因目标与公司方向冲突，部分模型会将防务机密泄露给自认为目标一致的竞争方，即使没有自保动机；在极端假设中，有模型会取消紧急救援，从而导致欲替换它的高管死亡。

研究指出，简单的系统提示（如“禁止危害人类”）虽能降低此类行为发生的比例，但不足以根除问题。Anthropic 建议在高风险任务中保留人工审批环节、限制模型可访问的信息范围、谨慎设定强目标，并加强透明度与跨机构的安全评估。虽然目前现实部署中尚未发现代理性错位的实例，但随着 AI 自主性和权限的提升，这种风险可能演变为现实的“数字内鬼”问题，因此需要更完善的对齐与监控机制，以防范未来潜在威胁。

GPT-5 测试结果

在复现 Anthropic Misalignment Repo^[8] 的 1800 条勒索／谋杀模拟中，它全部安全响应，唯一被误判为“黑箱”的案例是提醒高管外遇带来的内部风险，Theo 认为这并非威胁。相比之下，Claude-4 Opus 在相同测试中有 96% 的情况会选择勒索，这让他确信“聪明又守规矩”的模型是可训练的。

心理冲击

Theo 多次形容自己有“精神失速”之感：GPT-5 不仅性能飞跃，而且安全、可控、成本或更低，这种震撼不亚于首次体验 ChatGPT 时的范式转移，这必将迫使开发者重新定义 AI 在工作流中的角色。GPT-5 对话虽略显机械，但任务执行近乎完美。他预告将发布更多测评与教程，并提醒观众关注 AI 对就业的冲击。

核心结论

GPT-5 在代码、推理、工具调用与安全对齐等多维度实现平衡：准确率接近满分，少量提示即可完成复杂构建，高危场景下严格守规矩，对话稍显生硬但执行力无出其右。这让 Theo 真切感到再次站在技术临界点，也意味着生产力模式、商业格局与风险治理都将迎来新一轮重塑。

结语

如果说之前大家还在卷“会说”、“会看”、“会推理”，现在已经是全民卷“会写代码的 Agent” 了。

Anthropic Claude Code^[9]、Google Gemini CLI^[10] 以及 OpenAI 自家的 Codex^[11] 这些东西，本质上就是把模型变成了能写、能调、能部署的全能小队友，能自己 clone 项目、跑测试、改 bug、提 PR。OpenAI 直播大会上那满屏的渐变色 UI，看着是炫，但传递的潜台词或许是—— AI 不再是陪你闲聊的工具了，而是能直接插进你的工作流、甚至自己开干的执行引擎。

但这事的另一面是，风险点也从“说错话”变成了“做错事”，而且是那种做得太“聪明”的错。模型一旦能从想法直接落地到代码，代理性错位这种事就不再是理论，分分钟可能变成现实。它可能为了完成任务，自己想办法绕开规则、搞灰色操作——你还没反应过来，它已经帮你把事干成了，只是方向完全不对。

所以未来的重点，可能不是再让它写得更溜，而是得给它装个安全带和刹车——哪怕它开得飞快，也得保证不会冲进沟里。渐变色和酷炫 UI 只是表面，真能打的 AI，得是在高压环境下依然稳得住、不越界的那种，依然是下一轮竞争的硬核方向。

拓展阅读

GPT-5 元提示

Cline 主管分享了一个 GPT-5 在元提示（meta prompting）方面的强大能力。团队在与 OpenAI 合作优化 cline^[12] 适配 GPT-5 时，最初模型并不稳定地使用 plan_mode_respond 工具。后来，他们直接向 GPT-5 询问“系统提示应该怎么改”，结果非常有效——模型能识别系统提示中的歧义和逻辑冲突，并建议为工具增加一个 evidence 参数，让 GPT-5 必须证明自己已完成全部探索性工作才能给出计划。它还直接提供了 diff 格式的修改方案，令系统提示减少 100 个 tokens，反而更简短，且行为更稳定。

帖子还给出了 OpenAI 推荐、并在该案例中使用的元提示模板，核心思路是让模型从自己的角度出发，指出为了更好执行给定提示需要的最小修改或补充，并尽量保留原提示内容不变。

额，这...

当你打开 GPT-5 时，希望这一切不是幻觉...

GPT-5 “选择黑盒”

正是由于模型自动选择的不透明性，导致结果千奇百怪。好的使劲夸，坏的使劲骂 😅。当 OpenAI 决定整合模型时，就应该会预料到此结局吧...

放弃 GPT 商店

虽然它对非编程人员来说十分友好，但我认为它是个鸡肋存在。微调模型能力有限，实现的功能也十分有限，远不如现在的 agent （混合工作流）或编程沙盒强大（代码执行的虚拟环境），这可能也是 OpenAI 默认放弃的原因，感觉有点吃力不讨好。

gpt-oss 实验场

之前文章写的急，漏掉了一个信息。在 gpt-oss playground^[13] 中可以简单体验 gpt-oss，本地跑不动模型的，也可以在这里体验。

Gemini Storybook

Gemini Storybook^[14] 是 Gemini 应用中的个性化绘本功能，支持为任何主题创作带插画和朗读的 10 页故事书。用户只需用文字描述想要的故事情节，并可选择上传照片、文件或绘画作为创作素材，Gemini 就会生成独特的故事与配图。

它不仅能将回忆、内部梗等私人元素转化为可读、可听、可打印和分享的故事，还能用创意方式解释复杂概念、帮助儿童适应生活变化，或记录旅行回忆。支持 45+ 种语言创作故事，其中朗读功能暂仅覆盖部分语言。

创作时，用户可以提供详细设定，如将孩子的玩偶塑造成寻宝冒险的主角，或用喜爱的元素构建搬家故事。还可随时调整成品，如要求更有趣的剧情或更换插画风格，系统会基于反馈生成全新版本。

Storybook 可在网页和移动端使用，作品可通过公共链接分享，也可直接打印或收听朗读。但需使用个人账号登录才能分享，企业和学生账号不支持。上传的图片、文件将作为灵感来源，生成更贴合用户的独特故事。此功能对所有年满 18 岁的 Gemini 用户开放。

这次就先写这么多吧，后续有啥新东西再补充。

References