GPT-5的发布与早期评价「Perplexity」

08 Aug, 2025

gpt5获得了什么样的口碑？

GPT-5的口碑整体呈现“技术进步明显、但争议也不少”的特点。虽然模型在推理、编程、多模态等方面获得广泛好评，业内人士普遍认可其综合性能提升和成本下降，但用户和媒体对发布会感受、特定领域表现及稳定性则意见不一。¹²³⁴⁵

• 亮点评价：
  • 推理能力、精确度和运算速度显著提升，被誉为“全能模型”，尤其在编程和数学推理类权威榜单上表现突出，⁶⁴⁵
  • 多模态能力（图文音视频处理）突破明显，医疗和健康领域可信度大幅提升，幻觉率远低于前代模型。⁵⁷
  • 统一智能架构自动切换深浅推理，“交互更像与资深专家对话”，省去手动选择模型流程。⁶⁵
  • 某些专业人士认为其编程能力超越同类产品（如Claude、Cursor），在复杂企业代码库处理、自动补全、端到端软件交付等方面升级显著。⁷⁸
• 争议与吐槽：
  • 发布初期由于OpenAI展示失误、部分演示结果不理想（如图表错误、服务器不稳定），槽点和笑料多于“aha moment”，AGI（通用人工智能）目标尚未达到，部分用户觉得升级不如预期。²³¹
  • 写作能力有争议，有用户表示生成内容“更有人味”，但也有人认为不如旧版，质量参差、体验不够一致，尤其在代码生成和运行环节仍有短板。³
  • 尽管幻觉率下降，但误答现象、事实错误等根本问题没有完全解决，尤其在复杂任务、智能体执行多步流程时隐患仍在。⁴²
  • 某些数学运算和逻辑能力在极端测试下仍出现低级失误（如简单算数算错），引发用户讨论。⁴
• 商业层面与定价：
  • OpenAI通过大幅降低调用成本直接冲击商业市场，模型分为多种规格，性能和性价比均为市场焦点，普惠范围扩大，用户体验提升。²⁵
• 综合口碑特点：
  • 行业人士将GPT-5称为“全能ACE”，但认为它不是每个领域的绝对王者；比前代模型更准确、更可靠、更节省资源。¹⁴
  • 经验测评显示在网络信息处理与实时数据整合方面有突破，被认为是“AI竞争格局新变量”。⁹

总体来看，GPT-5的技术进步明显，尤其推理、编程、多模态、幻觉率优化等方面获得好评；但发布初期的演示失误、写作和代码质量争议、稳定性不足等问题引发一定负面讨论。口碑呈现“两极分化”，既有行业认可、性能提升的积极评价，也伴随用户实际体验中的不满与吐槽。³⁵⁷¹⁶⁴

从文本写作、编程、推理和多模态创作方面，GPT5有哪些表现？获得了什么样的反响？

GPT-5在文本写作、编程、推理和多模态创作四大核心领域均展现出显著进步，但同时也收获了复杂多元的反响。

文本写作

• GPT-5生成的文本文学深度和节奏感提升，结构复杂写作（如无韵律诗、自由诗、复杂邮件等）按需输出，官方和业内评价其文采和品味显著增强。^1011121314
• 可将粗略想法转化为富有文采、情感共鸣的内容，在大体结构和语感上优于前代。
• 不同用户体验差异显著，有媒体实测指出写作自然度和文风在某些测试场景中被认为不如GPT-4.5，尤其在模仿特定作家风格或高情商表达上情感略显“机械”。¹⁵

编程能力

• 编程准确率和复杂项目交付能力在业界处于领先地位。在编码基准测试如SWE-bench Verified、Aider Polyglot等上均取得高分，最高达74.9%甚至88%。¹⁶¹⁷¹⁴
• 能一键生成完整网站、应用和游戏，支持多种主流编程语言，跨项目自动生成依赖和部署流程。^18192014
• 擅长代码调试和自我修正，能自动标记BUG并自我改进，成为专业开发者高度评价的“AI编程助手”。²¹¹⁹¹⁶
• 部分用户反映有“小插曲”，比如发布会演示图表失误被网友调侃，但大体上认为GPT-5将“写代码”扩展为“交付软件工程”，极大提升生产力。^1917201418

推理能力

• 长链推理与深度思考能力提升，能够自动切换答题模式（快答/深入推理），准确率和逻辑性超越前代，在各类复杂知识任务中表现突出。^2220141016
• 支持400k超长上下文，复杂长文本分析“准确率提升近一倍”，用户评价其在多步任务处理与复杂交互场景下堪称“专家级别”，部分测试甚至超过人类专家水平。^1123202122
• AI幻觉和事实错误率显著下降，深度思考响应时比前代模型错答概率降低45%~80%，安全性和透明性大幅提升。²⁴²⁰¹⁴
• 在企业生产、软硬件研发、数据分析等推理密集场景广受好评，微软等头部企业即刻集成于产品线。^25171422

多模态创作

• 完全多模态能力，支持语音、图像、视频、文本等输入，能在多种模态间无缝切换并准确理解内容.^26272028
• 在视觉识别、视频理解、空间推理及科学问题解决等任务中基准测试成绩大幅提升，应用场景拓展至医学分析、财务建模等多个领域。²⁰¹⁴¹¹
• 开发者和企业反响积极，认为AI模型综合能力及应用效率达到新高度，推动多模态AI实用化发展。^27141120

用户及行业反响

• 行业专业人士和企业开发者高度评价编程和推理能力，认为GPT-5开启“软件按需生成”与“人工智能专家型助手”时代。^{17141016221920}
• 消费级用户在日常写作和智能体多步任务中体验提升，但部分领域如文风仿真、复杂情感表达仍存分歧，社交媒体及测评文章对文风差异有争议。¹⁵
• 多模态创作和安全性升级获普遍认可，尤其在医疗健康咨询专业准确率提升使其应用价值进一步凸显，企业和学术界表达积极预期.¹⁴
• 部分媒体和用户质疑技术突破幅度，认为GPT-5更重“实用价值和商业化回报”，而非颠覆式创新，但认同其工程和推理能力大幅领先竞品.²⁵¹⁹

总结：GPT-5在编程和推理领域突破最大，多模态创作和文本写作也有实质升级。行业和用户反响以技术领先、实用性提升为主，但在文学写作、人文表达和场景适配上仍有不同声音。整体而言，被业界视为“专家级AI”与“工程生产力新平台”，但部分吐槽和期待并存。

在编程方面，尤其是与Claude相比，GPT5水平如何？有哪些优势与劣势？它在各知名的编程Agent上的表现如何？

在当前主流编程大模型对比中，GPT-5相比Claude展现出全面领先，尤其在复杂项目处理、智能体任务执行和代码协作等方面优势显著，同时也存在一些值得注意的局限。

GPT-5 vs Claude：编程能力对比

GPT-5的主要优势

• 综合性能领先：最新的基准测试（如SWE-bench Verified，真实GitHub项目bug自动修复）中，GPT-5的准确率达到74.9%，明显高于Claude Opus 4的72.5%，也远超GPT-4的30%。^2930313233
• 速度与规模：GPT-5生成复杂代码的速度大约是Claude的1.5~3倍，在大规模、跨语言、端到端项目中可快速梳理依赖、自动完成部署任务，具备一键完成前后端、网站、游戏等全流程交付的能力。^303431323529
• 代码调试与重构：GPT-5拥有极强的代码诊断和自我修复能力，能自动检测多层次逻辑错误、输出修复方案，对“屎山代码”重构效果突出，代码结构清晰，bug率显著低于Claude。³¹²⁹³⁰
• 智能体Agent表现卓越：在Cursor、Windsurf、Codex CLI等智能体开发环境中，GPT-5被认为是“最聪明、最易操控的模型”，能够自主规划任务、持续处理多轮工具调用，无需人工确认，任务连续性和异常恢复能力强。^3632373031
• 多语言与协作能力：支持30+编程语言，自动处理跨语言调用，团队协作场景下表现优越，能主动解释设计思路和调试策略，提高工程沟通效率。^3437293036
• 实际体验优化：更贴合真实开发场景，无论对于新手还是资深开发者，指令理解和代码转化更加智能，非专业用户也可通过简易指令实现复杂应用开发。³⁷²⁹³⁰

Claude的主要特点与局限

• 代码规范性好：Claude生成的代码往往更注重最佳实践、规范性和可维护性，适合中小型项目的长期优化、重构和安全细节关注。³⁸²⁹
• 逻辑严谨：在高级异步流程、复杂逻辑环节（如新颖语法支持等），Claude有很强的分析和优化能力，流程描述和结构清晰。³⁹³⁸
• 长文本处理能力强：Claude的上下文窗口较大，支持复杂长项目分析，但在大规模依赖梳理和全栈任务中易受限。²⁹³⁸
• Agent任务和多模态略逊：在复杂智能体任务、多工具连续调用等场景时，Claude表现比GPT-5略弱，多模态支持也不如GPT-5全面.³⁰³¹

在知名编程Agent平台上的表现

• Cursor IDE：GPT-5能独立分析上百万行代码，自动调试并输出结果，处理遗留代码库和多文件依赖被公认为业界顶级。^40343130
• Windsurf：工具调用错误率极低，复杂项目连续操作表现优异，被认为是“最具行业颠覆力的代码协作模型”.³¹³⁰
• Codex CLI/其他Agent环境：GPT-5能零样本完成大型开发任务，主动追踪目标、解释计划并进行深层决策，协作能力和可靠性全面领先.^36373031
• SWE-bench Verified、Aider Polyglot等权威测试：GPT-5分别获得74.9%和88%的成绩，超过历史纪录，特别是在多语言、多框架场景下优势明显.^3233293036

劣势及用户评价

• 创新幅度有限：实际编程体验优化较多，绝对能力提升较前代增幅较小，部分测试仅微幅领先而未形成断层。⁴¹³⁷
• 部分任务精细度：在安全细节、极端语法分析、规范性代码生成等环节，Claude仍有独特优势，适合对代码风格和长期维护有要求的团队.³⁹³⁸
• 训练成本与算力消耗高：GPT-5开发难度和算力需求极高，训练成本庞大，技术门槛也在快速拉高.⁴²⁴³⁴¹

总结

GPT-5在编程领域已整体超越Claude，尤其在复杂项目端到端交付、智能体任务和代码调试等方面表现卓越，是当前主流Agent平台公认的最强模型。它以高速度、强自动化和卓越协作能力，成为行业和开发者眼中的“工程专家”与“超级助理”。但在代码规范性、精细化优化和极端场景下，Claude仍有其独特价值。智能自动化与大规模项目集成，是GPT-5最亮眼的特点。

在成本方面，GPT5在各类编程Agent中的集成情况以及相应的“积分消耗”或者token成本与其他大模型相比如何？

GPT-5在编程Agent集成与成本方面有以下明确表现和优势：

集成情况

• 主流编程Agent全面集成：GPT-5已集成于Cursor、Windsurf、Codex CLI、Manus等主流智能体平台，被广泛用于端到端编程、跨语言代码库管理、多轮工具自动调用等任务。微软等主流开发环境也快速完成了GPT-5的嵌入，行业认可度极高。^444546474849
• Agent性能提升带来成本优化：GPT-5通过高效推理和代码生成，工具调用次数与token消耗相比OpenAI o3、Anthropic等竞品降低约45%~80%，实际同质量任务token消耗显著减少。⁵⁰⁵¹⁴⁹

积分消耗与token成本

• API调用价格极具竞争力：
  • GPT-5：输入1.25美元/百万token，输出10美元/百万token。^52515350
  • GPT-5-mini：输入0.25美元/百万token，输出2美元/百万token。
  • GPT-5-nano：进一步降低，仅为GPT-5的1/25左右，专为轻量场景设计。⁵⁴⁵¹⁵³
• 免费体验门槛低：C端免费用户每天有数小时不限量体验，超限后可自动切换至mini型号，Plus和Pro用户额度更高。⁵¹⁵³⁵⁰
• 开发者积分机制透明：主流Agent平台（如GPTBots、微软AI Builder等）均以token消耗或“积分”为计费单位，GPT-5模型所需积分远低于GPT-4、Anthropic Claude、Google Gemini等同类模型。^55565451
• 与主要竞品对比：
  • Anthropic Claude 4.1 Opus的API价格约为GPT-5的15倍，相同任务GPT-5大幅降本。⁵³⁵¹
  • Google Gemini 2.5 Pro等在输入输出token价格上均高于GPT-5，且mini/nano版价格也低于同等级竞品。⁵⁰⁵¹⁵³
  • 工程实践反馈显示，相比前代和竞品，GPT-5因推理优化和token压缩，新Agent任务token消耗进一步下降，编程相关积分压力明显缓解。^49545150

总结

GPT-5不仅在主流编程Agent中实现了全方位集成，其API调用价格和积分消耗均领先行业，全版本梯度定价适应不同场景，与Claude、Gemini等竞品相比优势明显。实际开发中，GPT-5在token使用效率和性价比均大幅提升，为个人开发者和企业提供了更低成本的智能编程体验。

GPT5口碑比较差的地方体现在哪里？这暴露了哪些问题？

GPT-5口碑相对较差的地方主要体现在以下几个方面，反映出技术、体验和市场沟通上的一些问题：

具体“差评”表现

• 发布与演示失误：在发布会及相关演示中，OpenAI官方展示的Benchmark图出现了明显的数据错误（如坐标轴标注失误，出现“52.8>69.1”等低级错误），甚至被质疑有“作弊”成分，给专业人士和开发者留下了负面印象，也被全网吐槽为“有失公信力”。⁵⁷⁵⁸
• 能力提升被夸大质疑：部分开发者和测评文章认为GPT-5对外宣传的能力提升与实际体验存在不符，尤其是在编码Benchmark方面，增长幅度并未如官方描述的那样“颠覆性”，表现只是小幅领先前代和竞品。相比GPT-3→GPT-4的提升，GPT-5更多是工程优化而非质变。⁵⁹⁶⁰
• 编程能力“天花板效应”：尽管GPT-5在大多数编程Agent、基准测试项目上表现优异，但复杂项目和长链任务下仍有失误与漏洞，部分场景下bug修复和代码质量不达预期。实际产品体验距“完全替代人类工程师”仍有差距，专业开发者“又爱又恨”。⁶⁰⁵⁷⁵⁹
• 写作、文风表现分歧大：在生成和模仿特定文风、深度情感表达等方面，部分用户反映GPT-5仍显“机械”，不如真人或老牌模型自然，分歧明显。⁶⁰
• 工具调用与智能体执行的稳定性：虽然在多轮智能体任务和工具集成上进步突出，但遇复杂连续任务时，模型偶尔出现流程中断、误判或“死板”行为，智能体自主性和决策灵活性仍有限。⁶¹⁶⁰

暴露的核心问题

• 技术突破放缓：大模型训练已进入“递增优化”阶段，创新临界点更加难以突破。GPT-5的优势在于聚合多模型、多工具、推理加深，但缺乏真正的范式变革，暴露出AI模型发展渐趋瓶颈的问题。⁵⁷⁵⁹⁶⁰
• 公信力与透明度不足：公开数据或演示失误，影响专业信任感，凸显AI公司发布沟通与真实体验差距。⁵⁸⁵⁷
• 实际体验和期望存在落差：大量用户带着“炒作后的超高预期”试用GPT-5，往往体验没有达到“专家级AI”或“彻底取代工程师”的预期，增强了负面口碑。
• 特殊场景误差与安全性：极端推理场景下，模型bug和幻觉虽有下降，但未彻底根治，部分场景下输出仍有可观的事实性错误和逻辑漏洞。⁶¹⁵⁹
• 模型泛用与定制化兼容问题：统一大模型战略下，部分行业项目对专业定制化需求难以满足，定制能力和泛用能力存在权衡，暴露“通用AI”局限。⁵⁹⁶⁰

综合来看，GPT-5的“差评”集中体现在宣传夸大、发布失误、能力提升有限、特殊任务下误差未解决，暴露技术发展的阶段性瓶颈、市场沟通不足和行业需求多样化等深层问题。这也警示大模型开发需要更高透明度、稳健提升和真实用户场景验证。

OpenAI瘪了这么久，似乎并没有特别惊艳，是不是意味着Scalling law正在走向瓶颈？

目前业内普遍认为，OpenAI在GPT-5上未实现“革命性创新”，确实反映出大模型领域的Scaling law（扩展定律）正在趋于“瓶颈”：

主要表现

• 性能提升放缓：GPT-5的能力相比GPT-4，虽然在编程、推理等实用场景进步明显，但整体表现更像“小步快跑”，缺乏像GPT-3到GPT-4那样的飞跃，很难再带来“直观惊艳”的体验。^6263646566
• 数据和算力瓶颈突出：
  • 高质量训练数据已基本枯竭，新的模型只能用“合成数据”或低质量数据，导致能力提升曲线陡然放缓，愈发难以突破核心认知与泛化能力。^636467686966
  • 算力成本不断激增，现在每训练一代顶级模型投入已达数十亿美元，未来可能会升至百亿乃至千亿美元级别，成为技术、资本和生态的巨大压力。^70717273
• 算法扩展难度上升：一些只在小模型有效的新技术，无法在大模型扩展并复现效果。例如，模型参数增大，算法优化收益递减、更新迭代变得缓慢。^6774657569
• 团队与人才流失影响创新动力：OpenAI遭遇核心人才流失，组织和技术路线调整也对团队执行力造成影响，进一步拖慢研究进程并放大技术瓶颈效应。^64657667

Scaling law概念及现状

Scaling law（扩展定律）曾经被证明：只要模型规模和数据继续提升，AI能力会以可预测的规律增强。但现阶段实际发现：

• 边际效益递减非常快：增加十倍数据和算力，模型只获得微小提升。^74757766
• 数据和算力涨幅远高于能力提升速度，导致行业性资源不均和创新、试错空间缩小，资本门槛和集中化趋势愈发明显。⁷²⁷³⁷⁰
• 以Transformer为主的现有神经网络架构已接近利用极限，突破真的AGI能力需要新的算法范式或数据利用率突破.⁶⁹⁷⁸⁷⁴

暴露的问题

• AI发展正在从“规模驱动/技术范式红利”进入“资源堪忧/小步优化”的新阶段，单靠堆叠参数、数据已难获指数级收益，行业呼唤本质算法创新和新型数据采集、利用效率突破。^{7578667973637469}
• 闭源与开源模型能力差距缩小，过去靠资源壁垒获胜的AI公司，其领先地位不再如过去稳固。如果没有算法或数据范式革命，开源社区也有望快速追赶甚至超越现有核心玩家.⁷⁴⁷⁵⁶⁹
• 资源和技术集中，创新生态面临挑战，高昂成本让小团队和创新型企业难以参与最前沿实验，未来AGI的发展动力和多样性可能受限于GPU寡头等少数资本巨头掌控。⁷⁹⁷³⁷⁰

总结

GPT-5没有实现预期的技术飞跃，主要原因是Scaling law增长速度在放缓，数据枯竭、算力成本暴涨以及架构创新不足共同造成大模型能力日益逼近“天花板”。2025年已成为行业公认的“优化时代”，突破性进展可能需要新的算法和数据范式，而不是继续简单放大模型规模和训练资源。从现有迹象来看，Scaling law的物理瓶颈已经显现，推动AI迈向更强认知智能，将会是更为艰难和复杂的新战役。