刚刚,奥特曼发布 GPT-5!人人免费用「博士级」智能,基准图错误遭全网吐槽

「机器之心编辑部」

都看了吗?

等了多年的 GPT-5,终于在这个凌晨发布了。

我们一脸的期待,直播中 OpenAI 几位核心人员的紧张也肉眼可见。

直播过程中,奥特曼也是连发十几条推特,介绍 GPT-5 的看点。

因为信息点比较多,我们就以奥特曼的推特内容为依据为大家一一介绍。

首先,这是一个集成模型。也就是说,你用它的时候不需要在不同模型之间切换,它会自己决定何时需要深入思考。

尽管奥特曼强调 benchmark 不重要,但他们还是晒出了不少跑分结果,比如在数学、编程、视觉感知和健康领域。具体跑分如下:

  • 数学领域:在 2025 年 AIME 测试中无工具辅助达到 94.6%
  • 实际编程应用:SWE-bench Verified 达到 74.9%,Aider Polyglot 达到 88%
  • 多模态理解:MMMU 达到 84.2%
  • 健康领域:HealthBench Hard 达到 46.2%
  • 通过 GPT-5 pro 的扩展推理能力,该模型还在 GPQA 测试中创造了新的 SOTA,在无工具辅助的情况下得分 88.4%。

费用方面,GPT-5 分为免费版、Plus 和 Pro 计划。根据奥特曼的说法,免费版也能用上「博士级别的智能」(GPT-5 普通版,但带推理功能),Plus 用户在使用频率上限制更少,而 Pro 用户可以用上 GPT-5 Pro。

面向开发者,GPT-5 的三个版本 API 价格如下:标准版 GPT-5 为每百万输入 Token 1.25 美元,每百万输出 Token 10 美元,GPT-5 mini 版 与 Nano 版会更便宜。

虽然直播长达一个多小时,但 OpenAI 大部分时间都在介绍 GPT-5 有多「好用」。

比如在教育方面,它可以在几分钟之内生成数百行代码,生成互动内容来解释复杂概念,比如伯努利效应。

在写作方面,GPT-5 的文笔比 GPT-4o 要好。

在编程方面,它可以用几分钟时间写出一个法语学习网页,帮你练发音,还能做题、玩游戏。

语音模式也得到了升级,语音语调更加自然,想聊多久聊多久,语速也能随便调,非常适合拿来学外语。

之前我们报道过的「AI 看病」功能,他们也做了专门的优化,还请了一位癌症患者现场分享自己的经历,以及 ChatGPT 在解释病情方面给予她的帮助。奥特曼表示,GPT-5 是迄今为止最好的健康模型。

不过,现场也出了一些小 bug,比如做出的跑分图竟然是错的,奥特曼也承认了错误:

这样的错误还不止一个:

更尴尬的是,马斯克也跑来拆台,转发了 GPT-5 在 ARC-AGI-2 上没有打败 Grok 4 的消息:

连关于减少幻觉方面的 demo,也被人挑出了毛病:

不过,有人说,这不是「幻觉」问题,而是数据来源就有问题。

总体来看,GPT-5 的表现在很多人看来没有达到预期。

那么,GPT-5 的各方面表现到底怎么样?我们来看一下技术博客中的详细信息。

一体化智能系统

GPT‑5 是一个包含三个模型的统一系统:回答大部分常规问题的高效应答模型、解答复杂难题的深度推理模型「GPT‑5 Thinking 模式」,以及根据对话类型、问题复杂度、工具需求及用户明确指令(例如输入 "深入思考这个问题")自动分配最优处理模型的实时 router。

该 router 系统通过用户切换模型行为、回答偏好数据及准确率反馈等实时信号持续优化。当使用量达限时,各模型的精简版本将接管后续查询。

OpenAI 计划在近期将这些能力融合至单一终极模型。

GPT‑5 不仅在基准测试中表现优于前代模型、响应速度更快,更重要的是 ------ 它能更有效地处理现实场景中的各类需求。

OpenAI 表示,GPT5 在三大关键领域取得重大突破:显著降低幻觉生成、提升指令遵循精度、减少迎合性回答。同时,GPT‑5 在 ChatGPT 最常用的三大功能场景(文本创作、编程开发、健康咨询)中表现全面提升。

评估

接下来,就让我们看下 GPT-5 在各项基准上的成绩。

据博客介绍,GPT‑5 在各项能力上均实现显著提升,尤其在数学、编程、视觉理解和健康领域表现突出。数学领域,无工具辅助下 GPT-5AIME 2025 测试达 94.6%;真实场景编程,GPT-5 得分分别为 SWE-bench Verified 74.9%/Aider Polyglot 88%,多模态理解上 MMMU 84.2%,及健康领域 HealthBench Hard 46.2%。搭载扩展推理能力的 GPT‑5 专业版更在 GPQA 基准测试中以 88.4% 的成绩(无工具辅助)创下新纪录。

不应将使用工具的 AIME 结果与不使用工具的模型的性能直接进行比较;这是 GPT-5 如何有效利用可用工具的一个例子。

编码基准

指令遵循与智能工具调用能力:GPT‑5 在指令遵循和智能工具调用基准测试中表现显著提升。这类能力使其能够可靠地执行多步骤请求、跨工具协同操作,并适应上下文变化。实际应用中,这意味着 GPT‑5 更擅长处理复杂且动态变化的任务:它能更精准地遵循用户指令,并充分利用现有工具端到端地完成更多工作环节。

这是一个 GPT-5 写的小游戏 demo:

多模态基准

该模型在多模态基准测试中表现卓越,涵盖视觉、视频、空间及科学推理等多个领域。增强的多模态能力意味着 ChatGPT 能更精准地解析图像等非文本输入 ------ 无论是解读图表数据、总结演示文稿照片,还是回答基于示意图的提问。

健康基准

经济价值型任务表现

在 OpenAI 内部一个评估基准上,GPT5 同样表现卓越,该测试专门评估模型在复杂、经济价值知识型工作上的表现。在启用推理功能时,GPT‑5 在大约半数案例中的表现达到或超越人类专家水平,同时在法律、物流、销售、工程等 40 多个职业领域的综合任务表现上全面优于 o3 模型和 ChatGPT Agent。

上述评估的方法论说明:GPT-4o 的测试结果基于截至 2025 年 8 月 ChatGPT 中的最新模型版本。所有模型均在 "高推理强度" 设置下进行评估。需注意的是,ChatGPT 中的推理强度可调节,而 "高" 强度代表用户使用模型时可能体验到的性能上限。

更快、更高效的 Thinking 模式

GPT‑5 能以更少的思考时间创造更大价值。评估数据显示,在视觉推理、智能体编程和研究生级科学问题解决等场景中,启用思考功能的 GPT‑5 性能表现优于 OpenAI o3 模型,同时输出 token 量减少 50-80%。

这里,OpenAI 特意提到,GPT‑5 是在微软 Azure AI 超级计算机上训练的。

当然,GPT-5 也第一时间就上线到了微软的平台。

为了应对最具挑战性、最复杂的任务,OpenAI 还发布了 GPT-5 pro,以取代 OpenAI o3-pro。GPT-5 pro 是 GPT-5 的一个变体,它能够长时间思考,使用可扩展且高效的并行测试时间计算,从而提供最高质量和最全面的答案。

GPT-5 pro 在多项极具挑战性的智能基准测试中取得了 GPT-5 系列中的最高性能,包括在包含极其困难的科学问题的 GPQA 上取得的领先性能。

此外,我们还是把 GPT-5 的模型系统卡放到最后,感兴趣的读者们可以自行研究。

值得一提是这张图,展示了今天发的 GPT-5 系列模型与前几代 OpenAI 模型之间的关联:

最后,还是想问一句:GPT-5 符合你的预期吗?是不是更期待 DeepSeek-R2 了?

© THE END

相关推荐
人工智能训练师1 分钟前
华为服务器如何部署Mindie镜像
linux·人工智能·docker
MUTA️26 分钟前
《CogAgent: A Visual Language Model for GUI Agents》论文精读笔记
人工智能·笔记·语言模型·多模态
数据知道35 分钟前
机器翻译:语料库的定义与获取,及语料预处理
人工智能·自然语言处理·机器翻译
山烛39 分钟前
OpenCV 图像处理基础操作指南(一)
图像处理·人工智能·python·opencv·计算机视觉
元宇宙时间1 小时前
引领GameFi 2.0新范式:D.Plan携手顶级财经媒体启动“龙珠创意秀”
人工智能·web3·区块链
跨境猫小妹2 小时前
亚马逊卖家反馈机制变革:纯星级评级时代的合规挑战与运营重构
大数据·人工智能·重构·跨境电商·亚马逊
沫儿笙2 小时前
KUKA库卡焊接机器人氩气节气设备
人工智能·机器人
POLOAPI2 小时前
藏在 Anthropic API 里的秘密武器:Claude Code 让你的密钥价值翻倍
人工智能·api·ai编程
云云3212 小时前
TikTok Shop冷启动破局战:亚矩阵云手机打造爆款账号矩阵
人工智能·智能手机·矩阵
张较瘦_2 小时前
[论文阅读] 人工智能 + 软件工程 | 大型语言模型与静态代码分析工具:漏洞检测能力大比拼
论文阅读·人工智能·软件工程