跳到正文
OpenAI News·· 2025-08-07精選AI 評分81

OpenAI 在 API 平台推出 GPT-5

Introducing GPT-5 for developers

AI 導讀

OpenAI 在 API 平台推出 GPT-5,提供高推理性能和麪向開發者的新控制項,並稱其在真實編碼任務上達到同級最佳表現。

正文 · 繁體中文

引言

今日,我們在 API 平台推出 GPT‑5,這是我們至今最出色、適用於程式編寫和代理式任務的模型。

GPT‑5 在主要程式編碼基準測試中達到最先進水平(SOTA),在 SWE-bench Verified 和 Aider polyglot 分別取得 74.9% 和 88% 的分數。我們訓練 GPT‑5 成為真正的編碼協作夥伴。它擅長產生高質素程式碼,並處理修復錯誤、編輯程式碼,以及回答有關複雜程式碼庫的問題等任務。這個模型可按指示調整,亦善於協作——能以高度準確度遵從非常詳盡的指示,並可在工具呼叫前及呼叫之間,預先說明其行動。 模型亦擅長前端編碼;在內部測試中,於 70% 的情況下,其前端網頁開發表現勝過 OpenAI o3。

我們與初創公司及企業的早期測試者合作,使用真實世界的程式編寫任務訓練 GPT‑5。Cursor 表示,GPT‑5 是「他們用過最聰明的模型」,而且「智能非凡、容易引導,甚至具備他們在其他模型中未曾見過的個性」。Windsurf 分享指,GPT‑5 在他們的評測中達到 SOTA,而且「工具呼叫錯誤率只有其他前沿模型的一半」。Vercel 表示,「它是最佳的前端 AI 模型,在美感和程式碼質素方面均有頂尖表現,別具一格。」

GPT‑5 亦擅長執行長時間的代理式任務,在 τ2-bench telecom 上取得 SOTA 成績(96.7%);這項工具呼叫基準測試僅於 2 個月前發布。GPT‑5 的工具智能有所提升,能可靠地串連數十次工具呼叫,無論按順序或平行執行都不會偏離方向,因此更擅長端到端執行複雜的真實世界任務。它遵循工具指示時更準確,處理工具錯誤的能力亦更強,並擅長檢索長上下文內容。 Manus 表示,GPT‑5「在他們的內部基準測試中,單一模型的表現是他們見過最佳的」。 Notion 表示,「模型回應迅速,尤其在低推理模式下;若你需要一次解決複雜任務,GPT‑5 是理想模型。」Inditex 分享指,「GPT‑5 真正出眾之處在於推理深度:答案細緻而有多個層次,反映出對相關主題的真正理解。」

我們在 API 引入新功能,讓開發者更能掌控模型回應。GPT‑5 支援新的 verbosity 參數(取值: low、 medium、 high),可協助控制答案是簡短扼要還是詳盡全面。GPT‑5 的 reasoning_effort 參數現在可設為 minimal 值,讓你無須先進行大量推理,就能更快取得答案。我們亦新增了一種工具類型——自訂工具,讓 GPT‑5 以純文字而非 JSON 呼叫工具。自訂工具支援以開發者提供的上下文無關文法作限制。

我們在 API 推出 GPT‑5 的三種尺寸——gpt-5、 gpt-5-mini 和 gpt-5-nano——讓開發者更靈活地權衡效能、成本和延遲。ChatGPT 中的 GPT‑5 是由推理模型、非推理模型和路由模型組成的系統;API 平台中的 GPT‑5 則是支援 ChatGPT 最高效能的推理模型。值得注意的是,採用 minimal 推理的 GPT‑5 與 ChatGPT 中的非推理模型是不同模型,而且針對開發者作了更佳調校。ChatGPT 使用的非推理模型在 API 中以 gpt-5-chat-latest 的形式提供。

如要閱讀 GPT‑5 在 ChatGPT 中的介紹,並了解其他 ChatGPT 改進,請參閱我們的 研究網誌。如要了解企業如何期待使用 GPT‑5,請參閱我們的 企業網誌⁠。

程式編寫

GPT‑5 是我們迄今推出過最強的程式編寫模型。它在程式編寫基準測試和真實世界使用情境中的表現均勝過 o3,並經過微調,在 Cursor、Windsurf、GitHub Copilot 和 Codex CLI 等代理式程式編寫產品中表現出色。GPT‑5 令我們的 alpha 測試者印象深刻,在他們許多私人內部評測中創下紀錄。 

GPT‑5 在真實世界程式編寫任務上的早期回饋

在 SWE-bench Verified 上,GPT‑5 得分 74.9%;這項評測以真實世界的軟件工程任務為基礎,高於 o3 的 69.1%。值得注意的是,GPT‑5 取得高分時效率和速度也更高:相較於採用高推理力度的 o3,GPT‑5 少用 22% 的輸出 token,工具呼叫次數亦少 45%。

在 SWE-bench Verified⁠ 中,模型會獲提供一個程式碼儲存庫和問題描述,並須產生修補程式以解決問題。文字標籤表示推理力度。我們的分數不包括 500 個問題中的 23 個,因為這些問題的解答無法在我們的基礎架構上可靠通過。給 GPT‑5 的提示很簡短,並強調要徹底驗證解答;同一提示對 o3 沒有幫助。

在 Aider polyglot 上,這項程式碼編輯評測中,GPT‑5 創下 88% 的新紀錄;與 o3 相比,錯誤率降低三分之一。

在 Aider polygot⁠(在新視窗中開啟)(diff)中,模型會獲提供一項來自 Exercism 的編程練習,並須以程式碼差異形式寫出解答。推理模型以高推理力度執行。

我們亦發現,GPT‑5 擅長深入分析程式碼庫,回答各個部分如何運作或互相配合等問題。在 OpenAI 的強化學習技術堆疊這類複雜程式碼庫中,我們發現 GPT‑5 能協助我們推理並回答有關程式碼的問題,加快日常工作。 

前端工程

為網頁應用程式編寫前端程式碼時,GPT‑5 更注重美感、企圖心更強,而且更準確。在與 o3 的並排比較中,測試者有 70% 的時間偏好 GPT‑5。

以下是一些精選例子,展示 GPT‑5 單靠一個提示可以做到甚麼:

在我們的作品集 此處⁠(在新視窗中開啟)查看更多 GPT‑5 範例。

程式編寫協作

GPT‑5 是更出色的協作夥伴,尤其適用於 Cursor、Windsurf、GitHub Copilot 和 Codex CLI 等代理式程式編寫產品。執行期間,GPT‑5 可在工具呼叫之間輸出計劃、進度更新和摘要。與我們以往的模型相比,GPT‑5 更積極主動,會完成具挑戰性的任務,不必停下來等你批准,也不會因任務複雜度高而退縮。

以下示範 GPT‑5 處理複雜任務時的表現(這個例子是為餐廳建立網站):

使用者要求為餐廳建立網站後,GPT‑5 會分享簡短計劃、建立應用程式架構、安裝依賴項、建立網站內容、執行建置以檢查編譯錯誤、總結工作,並建議可能的下一步。影片已加快約 ~3x,讓你少等一會;建立網站的完整過程約需三分鐘。

代理式任務

除了代理式程式編寫,GPT‑5 在一般代理式任務中的表現也更出色。GPT‑5 在遵循指示(Scale MultiChallenge 得分 69.6%,由 o3‑mini 評分)和工具呼叫(τ2-bench telecom 得分 96.7%)基準測試中創下新紀錄。工具智能有所提升,令 GPT‑5 更可靠地串連行動以完成真實世界任務。

GPT‑5 在代理式任務上的早期回饋

遵循指示

GPT‑5 比以往任何一代模型都更可靠地遵循指示,在 COLLIE、Scale MultiChallenge 和我們的內部遵循指示評測中均取得高分。

在 COLLIE⁠(在新視窗中開啟) 中,模型必須撰寫符合各種限制的文字。在 Scale MultiChallenge⁠(在新視窗中開啟) 中,模型須在多輪對話中接受挑戰,正確使用先前訊息中的四類資訊。我們的分數採用 o3‑mini 作為評分者;其準確度高於 GPT‑4o。在 OpenAI 內部 API 遵循指示評測中,模型必須遵循源自開發者真實回饋的困難指示。推理模型以高推理力度執行。

工具呼叫

我們努力改善對開發者最重要的工具呼叫能力。GPT‑5 更善於遵循工具指示、處理工具錯誤,亦更積極主動地按順序或平行進行多次工具呼叫。收到指示時,GPT‑5 亦可在工具呼叫之前和之間輸出前置訊息,讓使用者了解較長代理式任務的進度。

兩個月前,Sierra.ai 發布了 τ2-bench telecom,這是一項具挑戰性的工具使用基準測試,突顯語言模型與使用者可改變狀態的環境互動時,表現會大幅下降。在他們的發表文章⁠(在新視窗中開啟)中,沒有模型得分高於 49%。GPT‑5 得分 97%。

在 τ2-bench⁠(在新視窗中開啟) 中,模型必須使用工具完成客戶服務任務;過程中可能有使用者與模型溝通,並能改變世界狀態。推理模型以高推理力度執行。

GPT‑5 的長上下文表現亦大幅提升。在 OpenAI-MRCR 這項長上下文資訊檢索評測中,GPT‑5 勝過 o3 和 GPT‑4.1,而且輸入長度越長,領先幅度越明顯。

在 OpenAI-MRCR⁠(在新視窗中開啟) (多輪共指消解)中,研究人員會把多個相同的使用者「針」請求插入由類似請求和回覆組成的長「草堆」中,再要求模型重現第 i 個「針」的回覆。平均匹配比率量度模型回覆與正確答案之間的平均字串匹配比率。256k 最大輸入 token 的數據點代表 128k–256k 輸入 token 的平均值,其他數據點依此類推。此處的 256k 代表 256 * 1,024 = 262,114 個 token。推理模型以高推理力度執行。

我們亦公開了 BrowseComp Long Context⁠(在新視窗中開啟),這是一項評估長上下文問答的新基準測試。模型會獲提供使用者查詢和一長串相關搜尋結果,並須根據搜尋結果回答問題。我們設計 BrowseComp Long Context 時,務求令它貼近真實情境、具挑戰性,並有可靠無誤的標準答案。輸入長度為 128K–256K token 時,GPT‑5 有 89% 的時間能答對。

在 API 中,所有 GPT‑5 模型最多可接收 272,000 個輸入 token,並最多輸出 128,000 個推理及輸出 token,總上下文長度為 400,000 個 token。

事實準確度

GPT‑5 比我們之前的模型更值得信賴。在 LongFact 和 FactScore 基準測試所用的提示中,GPT‑5 的事實錯誤比 o3 減少 ~80%。這令它更適合用於需要代理能力的應用場景,尤其是涉及程式碼、數據和決策、而正確性至關重要的情況。

分數越高代表表現越差。 LongFact⁠(在新視窗中開啟) 和 FActScore⁠(在新視窗中開啟) 包含開放式事實查詢問題。我們使用可瀏覽網頁的 LLM 評分器,核查這些基準測試提示的回覆事實,並量度事實錯誤主張所佔比例。實作和評分詳情載於 系統卡⁠。推理模型採用高推理力度。未啟用搜尋。

一般而言,我們訓練 GPT‑5 更能認識自身限制,也更善於應對意料之外的難題。我們亦訓練 GPT‑5 大幅提升回答健康問題的準確度(詳情請參閱我們的 研究網誌)。與所有語言模型一樣,我們建議在利害攸關時,先核實 GPT‑5 的成果。

新功能

最低推理力度

開發者可透過 API 中的 reasoning_effort 參數控制 GPT‑5 的思考時間。除了原有的取值——low、medium(預設值)和high——GPT‑5 亦支援 minimal,以盡量減少 GPT‑5 的推理過程,迅速返回答案。

較高的 reasoning_effort 值能提升品質,較低的值則能加快速度。並非所有任務都能從更多推理中獲得同等效益,因此建議你試用不同設定,看看哪種最適合你關注的使用情境。

例如,高於 low 的推理力度對相對簡單的長上下文檢索幫助不大,但能令 CharXiv Reasoning⁠(在新視窗中開啟) 這項視覺推理基準測試的分數提高不少個百分點。

GPT‑5 的推理力度在不同任務中帶來不同效益。在 CharXiv Reasoning 評測中,GPT‑5 可使用 python 工具。

詳盡程度

為了控制 GPT‑5 答案的預設長度,我們新增了 API 參數 verbosity,取值為 low、medium(預設值)和 high。若明確指示與詳盡程度參數衝突,明確指示優先。例如,即使詳盡程度設定不同,若你要求 GPT‑5「寫一篇 5 段的文章」,模型仍應一律寫 5 段(但每段可以較長或較短)。

工具呼叫前的前置訊息

如收到指示,GPT‑5 會在工具呼叫之前及呼叫之間輸出使用者可見的前置訊息。與隱藏的推理訊息不同,這些可見訊息讓 GPT‑5 能向使用者傳達計劃和進度,協助他們了解模型的做法,以及呼叫工具的目的。

自訂工具

我們新增了一種工具類型——自訂工具,讓 GPT‑5 以純文字而非 JSON 呼叫工具。開發者可以提供 regex,甚至提供更完整的 上下文無關文法⁠(在新視窗中開啟),限制 GPT‑5 遵循自訂工具的格式。

以往,我們的開發者定義工具介面要求以 JSON 呼叫這些工具;JSON 是網絡 API 和一般開發者常用的格式。然而,要輸出有效的 JSON,模型必須完美地跳脫所有引號、反斜線、換行符號及其他控制字元。雖然我們的模型經過充分訓練,能夠輸出 JSON,但輸入較長時,例如數百行程式碼或一份 5-page 報告,出錯的機會便會增加。使用自訂工具時,GPT‑5 可以用純文字撰寫工具輸入,無須跳脫所有需要跳脫的字元。

在 SWE-bench Verified 上使用自訂工具而非 JSON 工具,GPT‑5 的分數大致相同。

安全

GPT‑5 推進了安全能力的前沿,是更穩健、可靠和有用的模型。GPT‑5 產生幻覺的可能性遠低於以往的模型,會更坦誠地向使用者說明自己的行動和能力,並在安全界限內盡可能提供最有幫助的答案。如欲了解更多,請參閱我們的 研究網誌。

供應情況及定價

GPT‑5 現已在 API 平台推出,共有三種尺寸: gpt-5、 gpt-5-mini 和 gpt-5-nano。它可透過 Responses API 和 Chat Completions API 使用,亦是 Codex CLI 的預設模型。GPT‑5 的定價為每 1M 個輸入 token $1.25、每 1M 個輸出 token $10;GPT‑5 mini 的定價為每 1M 個輸入 token $0.25、每 1M 個輸出 token $2;GPT‑5 nano 的定價為每 1M 個輸入 token $0.05、每 1M 個輸出 token $0.40。

這些模型支援 reasoning_effort 和 verbosity API 參數,以及自訂工具。它們亦支援平行工具呼叫、內置工具(網頁搜尋、檔案搜尋、圖像生成等)、核心 API 功能(串流、Structured Outputs 等),以及提示快取和 Batch API 等節省成本的功能。

GPT‑5 在 ChatGPT 中使用的非推理版本可在 API 中以 gpt-5-chat-latest 的形式提供,定價同樣為每 1M 個輸入 token $1.25、每 1M 個輸出 token $10。

GPT‑5 亦將登陸 Microsoft 平台,包括 Microsoft 365 Copilot、Copilot、GitHub Copilot 和 Azure AI Foundry。

詳細基準測試

智能
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
AIME ’25(無工具)94.6%91.1%85.2%88.9%92.7%46.4%40.2%-
FrontierMath(僅使用 python 工具)26.3%22.1%9.6%15.8%15.4%---
GPQA diamond(無工具)85.7%82.3%71.2%83.3%81.4%66.3%65.0%50.3%
HLE[1](無工具)24.8%16.7%8.7%20.2%14.7%5.4%3.7%-
HMMT 2025(無工具)93.3%87.8%75.6%81.7%85.0%28.9%35.0%-

[1] 我們先前網誌文章所報告的數值略有差異,因為當時使用的是較早版本的 HLE。

多模態
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
MMMU84.2%81.6%75.6%82.9%81.6%74.8%72.7%55.4%
MMMU-Pro(標準集和視覺集的平均值)78.4%74.1%62.6%76.4%73.4%60.3%58.9%33.0%
CharXiv 推理(啟用 python)81.1%75.5%62.7%78.6%72.0%56.7%56.8%40.5%
VideoMMMU(長片段,字幕類別)最多 256 幀84.6%82.5%66.8%83.3%79.4%60.9%55.1%30.2%
ERQA65.7%62.9%50.1%64.0%56.5%44.3%42.3%26.5%
程式編寫
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
SWE-Lancer:IC SWE Diamond 自由工作者程式編寫任務$112K$75K$49K$86K$66K$34K$31K$9K
SWE-bench Verified[2]74.9%71.0%54.7%69.1%68.1%54.6%23.6%-
Aider polyglot(diff)88.0%71.6%48.4%79.6%58.2%52.9%31.6%6.2%

[2] 我們不包括 500 個問題中的 23 個,因為這些問題無法在我們的基礎架構上執行。完整的 23 項省略任務清單為:'astropy__astropy-7606'、'astropy__astropy-8707'、'astropy__astropy-8872'、'django__django-10097'、'django__django-7530'、'matplotlib__matplotlib-20488'、'matplotlib__matplotlib-20676'、'matplotlib__matplotlib-20826'、'matplotlib__matplotlib-23299'、'matplotlib__matplotlib-24970'、'matplotlib__matplotlib-25479'、'matplotlib__matplotlib-26342'、'psf__requests-6028'、'pylint-dev__pylint-6528'、'pylint-dev__pylint-7080'、'pylint-dev__pylint-7277'、'pytest-dev__pytest-5262'、'pytest-dev__pytest-7521'、'scikit-learn__scikit-learn-12973'、'sphinx-doc__sphinx-10466'、'sphinx-doc__sphinx-7462'、'sphinx-doc__sphinx-8265' 和 'sphinx-doc__sphinx-9367'。

遵循指示
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
Scale multichallenge[3](o3-mini 評分者)69.6%62.3%54.9%60.4%57.5%46.2%42.2%31.1%
內部 API 遵循指示評測(困難)64.0%65.8%56.1%47.4%44.7%49.1%45.1%31.6%
COLLIE99.0%98.5%96.9%98.4%96.1%65.8%54.6%42.5%

[3] 注意:我們發現 MultiChallenge 的預設評分者(GPT-4o)經常錯誤評分模型回覆。我們發現,將評分者換成 o3-mini 等推理模型,能大幅提升我們檢視過的樣本的評分準確度。

函數呼叫
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
Tau2-bench airline62.6%60.0%41.0%64.8%60.2%56.0%51.0%14.0%
Tau2-bench retail81.1%78.3%62.3%80.2%70.5%74.0%66.0%21.5%
Tau2-bench telecom96.7%74.1%35.5%58.2%40.5%34.0%44.0%12.1%
長上下文
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
OpenAI-MRCR: 2 needle 128k95.2%84.3%43.2%55.0%56.4%57.2%47.2%36.6%
OpenAI-MRCR: 2 needle 256k86.8%58.8%34.9%--56.2%45.5%22.6%
Graphwalks bfs <128k78.3%73.4%64.0%77.3%62.3%61.7%61.7%25.0%
Graphwalks parents <128k73.3%64.3%43.8%72.9%51.1%58.0%60.5%9.4%
BrowseComp Long Context 128k90.0%89.4%80.4%88.3%80.0%85.9%89.0%89.4%
BrowseComp Long Context 256k88.8%86.0%68.4%--75.5%81.6%19.1%
VideoMME(長片段,字幕類別)86.7%78.5%65.7%84.9%79.5%78.7%68.4%55.2%
幻覺
GPT-5(高)GPT-5 mini(高)GPT-5 nano(高)OpenAI o3(高)OpenAI o4-mini(高)GPT-4.1GPT-4.1 miniGPT-4.1 nano
LongFact-Concepts 幻覺率(無工具)[越低越好]1.0%0.7%1.0%5.2%3.0%0.7%1.1%-
LongFact-Objects 幻覺率(無工具)[越低越好]1.2%1.3%2.8%6.8%8.9%1.1%1.8%-
FActScore 幻覺率(無工具)[越低越好]2.8%3.5%7.3%23.5%38.7%6.7%10.9%-

來源:OpenAI News · openai.com