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

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-benchVerified达到74.9%，AiderPolyglot达到88%

多模态理解：MMMU达到84.2%

健康领域：HealthBenchHard达到46.2%

通过GPT-5pro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-5Pro。

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Token1.25美元，每百万输出Token10美元，GPT-5mini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**ug，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Grok4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‑5Thinking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-5AIME2025测试达94.6%；真实场景编程，GPT-5得分分别为SWE-benchVerified74.9%/AiderPolyglot88%，多模态理解上MMMU84.2%，及健康领域HealthBenchHard46.2%。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ChatGPTAgent。

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OpenAIo3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AzureAI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-5pro，以取代OpenAIo3-pro。o3-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-5pro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？

本文来自微信公众号“机器之心”（ID：almosthuman2014），作者：关注大模型的，经授权发布。