北京时间 2025 年 8 月 8 日凌晨 1 点，OpenAI 公司举办发布会，正式推出 GPT-5 模型。OpenAI 首席执行官山姆・奥特曼表示，GPT-5 的推出是迈向通用人工智能 (AGI) 的重要一步，与该模型交流如同与人类专家对话。

今天，我们隆重推出 GPT‑5⁠，这是 OpenAI 迄今为止最智能、最快捷、最实用的模型，也是将智能置于每项业务核心的重要一步。 

GPT‑5 整合并超越了 OpenAI 在前沿智能领域的先前突破，涵盖 4o、OpenAI o 系列推理、智能体以及高级数学⁠（在新窗口中打开）能力。

随着 BNY Mellon、加州州立大学、Figma、Intercom、Lowe’s、摩根士丹利、软银、T-Mobile 等企业已率先为员工配备 AI 技术——目前已有 500 万⁠（在新窗口中打开）付费用户使用 ChatGPT 商业产品——并开始借助 API 重新构想其运营模式。 

GPT‑5 在准确性、速度、推理能力、背景信息识别、结构化思维和问题解决能力方面实现了重大突破。当企业开始将 GPT‑5 应用于探索新的应用场景时，真正的魔力将得以展现。

据悉，GPT-5 在多个基准测试中表现亮眼，其中包括 Swe Bench，树立了新的性能标准。其核心发展方向聚焦于提升可靠性与事实准确性，力求在安全框架内为用户提供最大化帮助。与前代模型相比，GPT-5 在面对无法回答的问题时，会详细解释原因，并引导用户寻求第三方或相关手册的帮助，而非简单以安全为由拒绝，这一改进体现了对用户需求的更细致回应。

在功能方面，GPT-5 解释 Bernoulli 效果等任务时反应迅速，而创建视觉效果等复杂任务则需稍长时间。用户可在提示中要求模型 “深入思考” 或 “更精确”，还能直观看到其思维过程。

在编程领域，该模型展现出强大能力，几分钟内即可输出超 200 行代码，曾成功创建一个融合多种视觉与音频元素、助力伴侣学习法语的网站。

值得关注的是，GPT-5 系列包含 GPT-5、GPT-5 mini 及 GPT-5 nano 三款模型，上下文长度均达 400K，最大输出为 128K tokens。

API 价格体系已公布：

• GPT-5 每百万 tokens 输入费用 1.25 美元、输出 10 美元；

• GPT-5 mini 输入 0.25 美元、输出 2 美元；

• GPT-5 nano 输入 0.05 美元、输出 0.40 美元，为不同需求的用户提供了多样化选择。

在服务推广方面，今日起免费用户可使用 GPT-5 (有配额限制)，Plus 及 Pro 订阅用户则享有更高权益。

语音模式即将上线，演示中已展现出用单个单词回应并总结 “人际关系” 相关内容的能力。

在实用功能上，ChatGPT 的记忆功能现支持 Pro、Plus 及 Teams 订阅用户连接谷歌账号访问日历，联动 Gmail 与 Google Calendar，使模型能依据用户行程获取更多情境信息。

此外，提醒用户回复未回邮件的功能将于下周先向 Pro 用户开放，随后扩展至 Plus 和 Teams 用户。

此外，OpenAI 表示，将持续聚焦安全性提升与防欺骗机制完善，推动 GPT-5 在合规前提下更好地服务用户。

一、模型架构的进化

1.1 混合架构的革新

GPT-5 采用了一种突破性的混合架构，将 Transformer 架构与全新的递归神经网络（RNN）变体相结合。传统的 Transformer 架构擅长处理长序列数据和并行计算，然而在捕捉长期依赖关系上存在一定局限。

GPT-5 中引入的 RNN 变体则能够有效弥补这一不足，通过循环机制对上下文信息进行更深度的挖掘。例如在处理长篇小说的情节分析时，RNN 变体可以更好地记住前面章节的细节，使得 GPT-5 对整个故事的理解和总结更加准确和连贯。

这种混合架构还优化了模型的计算资源分配。在面对简单的文本生成任务，如日常对话回复时，Transformer 部分能够快速高效地完成任务；而在处理复杂的逻辑推理或多步骤的问题解决时，RNN 变体则被激活，投入更多计算资源进行深度思考，从而实现效率与精度的平衡。

1.2 多模态融合的深度与广度

相较于前代，GPT-5 在多模态融合方面达到了新的高度。它不仅支持文本、图像、音频的联合处理，还首次实现了对视频内容的深度理解和生成。

在图像理解上，GPT-5 能够识别图像中极其细微的特征和复杂的场景关系。比如一张在森林中拍摄的照片，它能准确描述出不同树木的种类、光影的变化，以及可能存在的动物踪迹等细节。

在音频处理方面，GPT-5 可以对一段音频进行全方位分析，从语音内容提取、情感识别到背景音乐的风格判断等。而在视频处理中，它能够理解视频中的情节发展、人物关系以及画面的动态变化，并据此进行内容生成，如为一段无声视频添加合适的旁白或背景音乐。

这种多模态融合能力使得 GPT-5 在智能交互领域具有巨大的应用潜力，在智能教育中，能够根据学生的学习情况，同时提供文字讲解、相关图像示例以及语音指导等多模态学习资源。

二、参数规模与训练数据的突破

2.1 超大规模的参数

GPT-5 的参数规模达到了惊人的 52 万亿，相较于 GPT-4 实现了数量级的飞跃。如此庞大的参数数量使得模型能够学习到更加复杂和精细的语言模式与知识表示。在处理专业领域的复杂问题时，如量子物理中的一些前沿理论解释，GPT-5 凭借其丰富的参数能够更准确地理解问题，并给出深入且专业的解答。

大规模参数还增强了模型的泛化能力。它可以在更多不同类型的任务和领域中表现出色，无论是文学创作、代码编写还是金融市场分析，都能展现出较高的性能。这意味着 GPT-5 能够适应更广泛的用户需求，为各种行业提供更强大的智能支持。

2.2 多样化的训练数据

GPT-5 的训练数据来源极其广泛，涵盖了全球多语言的真实场景数据以及大量的合成仿真数据。真实场景数据包含了互联网上的各种文本、社交媒体的交流记录、学术文献、新闻报道等，这使得模型能够学习到现实世界中丰富多样的语言表达方式和知识内容。

合成仿真数据则是通过专门设计的算法生成，用于补充真实数据中可能缺失的某些场景或知识领域。

在一些新兴技术领域，真实数据可能有限，合成仿真数据就可以模拟相关的技术讨论和问题解答，帮助模型更好地理解和应对这些领域的任务。

多样化的训练数据使得 GPT-5 的知识储备更加全面，能够应对各种复杂和罕见的问题，提升了模型在实际应用中的可靠性和实用性。

三、推理能力的巨大提升

3.1 “链式思维” 技术

GPT-5 引入的 “链式思维” 技术是其推理能力提升的关键。该技术使模型能够像人类一样进行逐步推理，将一个复杂问题分解为多个子问题，并按照逻辑顺序依次解决。

在解决数学证明题时，GPT-5 会首先分析题目条件，确定需要运用的数学定理和公式，然后逐步推导，每一步推导都基于上一步的结果，最终得出完整的证明过程。

在编程领域，当遇到一个复杂的功能实现需求时，“链式思维” 技术让 GPT-5 能够先规划出程序的整体架构，再逐步细化各个模块的代码实现，大大提高了代码生成的准确性和效率。这种推理方式使得 GPT-5 在逻辑推理任务中的表现达到了 “博士水平”，能够处理许多以前模型难以应对的复杂问题。

3.2 复杂任务处理能力

凭借 “链式思维” 和强大的参数与架构支持，GPT-5 在复杂任务处理上展现出卓越的能力。在医学领域，对于罕见病的诊断，它可以综合分析患者的症状描述、病史记录、各种医学检查数据等多方面信息，通过复杂的推理过程，给出准确的诊断建议和可能的治疗方案。

在商业决策场景中，面对市场趋势分析、竞争对手策略评估以及企业内部资源调配等复杂问题，GPT-5 能够整合大量的数据和信息，进行深入的推理和预测，为企业提供具有前瞻性和可行性的决策支持。

这种复杂任务处理能力使得 GPT-5 在多个专业领域具有重要的应用价值，能够帮助专业人士更高效地解决实际问题。

四、与国产主流大模型的对比

4.1 语言理解与生成能力

以文心一言、通义千问、讯飞星火等为代表的国产主流大模型在语言理解与生成能力方面各有特色。

文心一言依托百度在知识图谱等领域的技术积累，对中文语言的理解较为深入，尤其在涉及中国文化、历史等领域的知识问答和文本生成中表现出色，能够生成富有文化底蕴的文本内容。

通义千问在多轮对话的连贯性和逻辑性上有较好的表现，能够根据用户的连续提问，准确理解意图并给出合理的回答。

讯飞星火则在语音交互相关的语言处理上具有优势，结合其在语音识别和合成方面的技术，能够实现更加自然流畅的语音对话体验。

然而，与 GPT-5 相比，在一些复杂语义理解和跨领域知识融合的场景下，国产模型还存在一定差距。

GPT-5 凭借其超大规模的参数和多样化的训练数据，在处理全球性、综合性的复杂问题时，语言理解更加精准，生成的文本内容在逻辑性和深度上表现更优。

在对一些国际政治经济复杂局势的分析中，GPT-5 能够提供更全面和深入的见解。

4.2 多模态能力

国产大模型在多模态能力方面也取得了一定进展。

一些模型在图像描述生成方面能够准确识别图像中的主要元素并进行简单描述，在语音合成方面也能达到较高的自然度。但是，在多模态融合的深度和广度上，与 GPT-5 存在明显差异。

GPT-5 能够实现文本、图像、音频、视频之间的深度交互和联合处理，而国产模型目前大多只能在两种或少数几种模态之间进行初步融合，且在融合的准确性和复杂性处理上还有待提高。

在视频内容的理解和生成方面，国产模型还难以达到 GPT-5 能够实现的根据视频情节进行复杂内容创作的水平。

4.3 推理与问题解决能力

在推理与问题解决能力上，国产主流大模型在特定领域的推理任务中能够取得不错的效果。

讯飞星火在一些教育领域的逻辑推理问题解答上表现良好，能够根据教育场景中的常见问题模式进行推理。但在面对跨领域、复杂结构的问题时，与 GPT-5 相比存在差距。

GPT-5 的 “链式思维” 技术使其在复杂推理任务中具有明显优势，能够更系统、全面地解决问题。在一些涉及多学科知识的复杂工程问题解决中，GPT-5 能够更好地整合不同领域的知识进行推理，而国产模型可能会因为知识融合和推理链条的不完善而出现解答不准确或不全面的情况。