GPT-5上手来了！编程让人失望，幻觉控制惊喜，大概率要赢麻？

北京时间 8 月 8 日，OpenAI 终于在万众瞩目下发布了新一代模型 GPT-5 系列，彻底统合了之前的 GPT 系列模型和 o 系列推理模型，甚至在已推送 ChatGPT 用户中下架了 GPT-4o、4.5、o3、o4 mini 等其他所有模型。

再见了所有的 GPT，图片来源：X

与此同时，OpenAI 还宣称 GPT-5（还包括 nano、mini、Pro 型号）在减少幻觉和最小化阿谀奉承上有了重大进展，在最常用的三个用途——写作、编程和健康咨询方面的性能有了提升。

GPT-5华丽亮相：低级错误多，进步不容忽视

耐人寻味的是，OpenAI 在 GPT-5 发布会的演示文件上却翻了车，一张基准测试图表中出现「52.8 远大于 69.1」的低级错误，目前不得而知相关图表的错误是不是由 GPT-5 生成的「幻觉」，但可以肯定是 OpenAI 营销团队大概率出现了「幻觉」，竟然没有检查发现。

左侧柱状图，图/ OpenAI

原本用来展示编程能力进步的图表，非但没能让观众记住 GPT-5 的优势，反而成了社交媒体上调侃的对象，有网友就吐槽，「这也许是有史以来最不擅长作图的 AI 公司」。

但调侃背后，GPT-5 的进步也不能忽视。就像知名开发者Simon Willison给出的评价是：它依然是一个大型语言模型，但犯错的频率更低，整体表现稳定，甚至时不时能给人带来惊喜。Every 团队的Dan Shipper则在测试中发现，GPT-5 普通模式下依旧会自信地编造内容，但一旦切换到「思考（Think）」模式，准确率明显提升。

更重要的是，对 ChatGPT 用户来说，GPT-5 和 GPT-4o 一样提供免费的使用额度，用完会继续免费使用 GPT-5 mini。而 API 的调用价格也比隔壁新发布的 Claude 4.1 便宜不少，主打的 GPT-5 输入价格为 1.25 美元/百万 tokens，输出价格为 10 美元/百万 tokens，系列中 mini 和 nano 的价格基本与本地自托管的单位成本相当。

尽管 GPT-5 还是 GPT，距离真正的 AGI 仍有很远的距离。但抛开舆论的褒贬，GPT-5 似乎依然交出一份不错的成绩，发布会上用更多时间介绍实际使用中的改进，而不是基准测试的跑分成绩。而雷科技在接收到 GPT-5 的资格推送后，也在第一时间进行了体验。

GPT-5上手：编程最失望，幻觉控制成惊喜

把花活儿放一边，真正决定口碑的还是上手表现。

在此之前，需要提前说明的是，GPT-5 通过类似 Claude 3.7 Sonnet「混合推理」的方式实现了「思考」和「非思考」模型的统一。简单来说，如果问题简单，GPT-5 会直接进行回答，如果有难度则会进行几秒到几分钟的思考，再输出回答。

回到体验中，OpenAI 在介绍 GPT-5 时着重介绍了编程能力的提升。不过说实话，雷科技的体验有些差强人意。

Gemini 生成网页，图片来源：雷科技

同样让 Gemini 2.5 Pro、DeepSeek R1、豆包（深度思考）和 GPT-5 生成一个用 3D 模型展示「地球如何形成」网页，Gemini 2.5 Pro 不论从速度、生成质量来说都是最好的，DeepSeek R1 生成质量比较一般，但至少可正常预览运行，豆包只是生成了一个没有 3D 模型网页，GPT-5 则遇到了明显的运行错误。

图片来源：雷科技

即便 GPT-5 据称有了很强的代码定位能力，确实能够直接定位问题代码进行修改，但实际运行依然存在错误，无法正常显示 3D 模型，遑论进行交互。不过这里需要指出，即便使用 OpenAI 在 Github 官方用例中给出的提示词（Prompt），我们还是无法排除问题，在 macOS 端和网页端实现正常运行。

不过这并不妨碍其他测试，我们还让 GPT-5 找出过去一年内所有采用自研 ISP（图像处理器）的旗舰手机，这一步实际是想测试大模型的多步任务能力以及降低幻觉的表现。这个问题并不简单，DeepSeek R1（新版 0528）和豆包（深度思考）在测试就出现了明显的幻觉，比如三星 Galaxy S25 Ultra 搭载 Exynos 2400、玄戒 O1 从 SoC 变成了「ISP」。

图片来源：雷科技

与之相比，GPT-5 虽然在第一次回答中漏掉了小米，只列出了苹果、华为以及 vivo 的当代旗舰，但并没有出现任何幻觉。而在提醒后，GPT-5 还是可以找到更明确的信息进行补充，还顺带指出了 Pixel 10（Tensor 5）、Galaxy S26（Exynos 2600）可能采用自研 ISP 的传闻。

事实上，GPT-5 在对话中有一个明显的改进就是风格变得更加克制的同时，表达上也更加谨慎，相比常用的 GPT-4o 和 o3 在幻觉上都有明显的提升。尤其是在进入思考后，GPT-5 还会在过程中进行信息的自审和复核，降低「半路跑偏」的可能。

图片来源：雷科技

至于推理能力上，我们将分数修改的测试题再次询问 DeepSeek R1、豆包（深度思考）还是没能正确答出，DeepSeek R1 甚至思考了很久还给出了完全相反的逻辑，Gemini 2.5 Pro 只推理到了女儿是红绿色盲，却没有应用遗传学知识推理出父亲过了一会儿崩溃的核心原因。

图片来源：雷科技

而 GPT-5 依然延续了 o3 的推理表现，能够正确推理出这个测试题背后的关键结果，并用更简洁易懂的表达方式输出回答。

GPT-5 的使用体验也值得一提。如果是较为简单的问题，GPT-5 基本都能准确以默认的非思考模式运行，延迟基本与我们之前体验的 GPT-4o 一致。而一旦进入「思考」，响应会拉长，但换来更完整的执行链。

不过类似的体验我们早在 Claude 3.7 Sonnet 上就有了，豆包等模型也早已跟进，GPT-5 的特别之处在于，即便进入思考模型，过程中也会根据难易调整时间，智能回答的程度确定不一般。

更重要的是，很多不是很难的问题即便 GPT-5 需要思考回答，也不用等待太久时间，这一点在使用 DeepSeek R1 等独立推理模型的时候格外明显。

所以 GPT-5 担得起 OpenAI 口中的「专家」之名吗？结论可能还是要分场景来看。在信息缺口较大、需要主观判断的写作或研究型任务里，它更像谨慎的助理，会提醒你补证、给检索路线，但不会替你拍板。但当我们不给约束或者刻意留坑时，它仍可能一本正经胡说八道。

简言之，GPT-5 并不是传闻中的 AGI，也不是「万事皆通」的通用专家，但相比当前主流大模型，GPT-5 确实在很多类型的任务有更好的表现，尤其是在降低幻觉的表现上。

还称不上AGI，却是一次「全盘换血」

从体验回到现实，GPT-5 很快就让人意识到：它并不是过去传闻中那个「AGI」——没有持续学习能力，不会在一次对话之外保留对世界的新理解，也不会像人类一样在跨领域问题中自发形成创造性的长链推理。它依旧是一个大型语言模型，只是推理更稳、幻觉更少、交互更克制。

换句话说，这是一场「升级」，但远谈不上「进化」，也担不起很多媒体制造的焦虑。

然而，OpenAI 在发布 GPT-5 的同时，做了一个更有战略意味的动作：直接下架 ChatGPT 里原本存在的 GPT-4o、GPT-4.5、o3、o4 mini 等全部模型，把用户的选择统一到 GPT-5 及其推理模式。对外的解释很简单——让用户不用纠结选哪个，体验交给系统自动路由；但这种「全盘换血」的决策，背后有更复杂的动因。

图片来源：雷科技

一方面，维护多款模型不仅意味着更高的算力成本，还需要对每个模型单独进行安全微调、数据更新、工具适配。这种分散消耗在用户量巨大的情况下尤其昂贵。GPT-5 采用统一底座、分模式路由，可以集中优化推理和安全策略，把维护成本降到单一版本级别。

同时，通过 mini 和 nano 这样的轻量版本，覆盖了低延迟、低成本场景，减少原本需要用 GPT-4o mini、o3 这种低配模型的理由。

另一方面，对很多非技术用户来说，GPT-4o、4.5、o3 这些名字并没有清晰的定位，反而造成「我该选哪个」的选择负担。统一成 GPT-5，可以形成一个更明确的品牌锚点——当用户想到 ChatGPT，就只会想到 GPT-5，而不会在不同版本间摇摆。这不仅简化了用户体验，也强化了 OpenAI 想要的「新旗舰」心智。

图片来源：OpenAI

此外，对于付费用户尤其是 Pro 用户，GPT-5 提供的高阶功能和模式（如 GPT-5 pro、Think 模式）成为主打卖点。下架旧模型等于把付费升级与新功能绑定，减少用户停留在旧版本的可能。这既能提升付费转化率，也方便在后续迭代中直接对单一产品做价格和功能调整。

从商业和运营的角度看，这个策略的合理性很强——更低的维护成本、更高的品牌聚焦、更明确的升级通道。但风险在于，它切断了用户在不同模型间对比体验的机会，也剥夺了对某些特定版本偏好的长期用户的选择权。对技术社区和部分开发者来说，这意味着失去对旧模型稳定行为的依赖，需要重新适配和验证 GPT-5 的输出。

从这些角度来看，这次「全盘换血」也是在押注 GPT-5 能覆盖绝大多数需求，并通过模式切换满足不同性能/成本场景。赌赢了，OpenAI 就能以更高的效率运营并强化市场话语权；但如果用户在关键任务上感受到退步，反弹的声音也会迅速放大。

而从目前的初步体验来看，GPT-5 确实可以比较完美替代过去的 GPT-4o、GPT-4.5 以及 o3 等所有推理模型，并且自动切入思考（推理）的体验也做到了相对顺滑和一致的体验。

简单来说，GPT-5 并不革命，但大概率会很成功。