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

机器之心报道

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。

• 链接：https://cdn.openai.com/pdf/8124a3ce-ab78-4f06-96eb-49ea29ffb52f/gpt5-system-card-aug7.pdf

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？