GPT-5 发布会直播观看：编程、推理、健康与开发者演示

2025 年 8 月 7 日，Matthew Berman 和制片人 Alex 开始直播观看 OpenAI 的 GPT-5 发布会。官方直播开始前，两人欢迎观众，并讨论新模型家族的可能性。视频没有交代 Alex 的姓氏。

两位主持人希望在 GPT-4、GPT-4o、GPT-4.1 和 o 系列之后，模型命名能更加清晰。他们猜测可能会有 mini 和 nano 版本，并讨论普通任务为何可能更适合快速回答，而不是较慢的推理模型。这些讨论发生在发布之前。

Berman 说，他日常工作常用 GPT-4o 等快速模型；Alex 也认为响应速度很重要。两人将其与处理难题时较长的推理过程作对比，把这种权衡视为实际使用中的选择，而非基准测试。

Alex 希望产品能自动将请求分配给合适的模型。Berman 说，统一界面可以省去用户在模型之间做选择的麻烦，但此时他们还不知道 OpenAI 将宣布什么。

发布会前，Berman 小心查看 API 页面，避免泄露凭据。他读出 GPT-5 当时的价格：每百万输入 token 1.25 美元、缓存输入 token 0.125 美元、输出 token 10 美元。他还提到 40 万 token 上下文窗口、最多 12.8 万输出 token 以及 2024 年 9 月的知识截止日期；这些都是当时的产品信息。

Berman 注意到知识截止于 2024 年 9 月，两人讨论了借助互联网访问补充过时训练知识。只有相关搜索功能可用且实际被调用时，模型才能获取最新信息。

他看到了 mini 和 nano 选项，认为价格相对便宜。两位主持人从帮助员工完成更多工作的角度讨论 AI 订阅的价值。上午 10 点过后，Berman 刷新 playground，看到 GPT-5 出现，随后两人切换到 OpenAI 的发布会。

OpenAI 首席执行官 Sam Altman 开场表示，ChatGPT 每周用户已达约 7 亿，并宣布推出 GPT-5。他称这是公司迈向 AGI 道路上的重要一步，将其广泛能力比作随时可以请教博士水平的专家。这是 OpenAI 对使用规模和能力的说法，不能证明模型在每个领域都具备专家级可靠性。

Altman 说 GPT-5 可以协助规划、学习和编写软件。他称其为“口袋里的专家”；这是发布会上的比喻，并非专业资格证明，也不保证其在医疗、法律等领域的准确性。

Altman 描述了构建软件、规划、学习和理解医疗信息等用途。他预计软件可以按需创建，企业和开发者也将有机会在该模型基础上开发产品。这些是公司在发布时提出的应用示例，并不证明所有操作无需监督就能安全完成。

首席研究官 Mark Chen 介绍 Max Schwarzer 和 Rennie Song，并称 GPT-5 结合了快速回答与必要时更深入的推理。Berman 暂停指出，这是混合路由。公司将何时进行深入思考的选择作为系统的一部分，同时承诺各层级用户均可使用。

演讲者介绍，该系统可以快速回答，也可以在请求需要时花更多时间推理。Berman 对不必为每个问题手动选择模型表示欢迎；发布团队则介绍了自动和明确要求思考两种方式。

OpenAI 称 GPT-5 是其最强的编程模型，并介绍涵盖软件、多模态推理、数学、事实准确性和健康的评测。Schwarzer 提醒说，基准测试不能概括模型的全部能力。Berman 注意到展示的柱状图有视觉问题，后来也指出自己的详细测试另行进行。

演讲者讨论了 SWE-bench、Aider Polyglot、视觉推理和 AIME 数学测试。Berman 对图中看似 100 的结果作出反应。OpenAI 的[发布数据](https://openai.com/index/introducing-gpt-5/)显示，AIME 2025 不使用工具时为 94.6%；接近 100 的结果来自另一种允许使用工具的设置。不能混淆分数与配置，也不能把它们视为全面能力的证明。

Schwarzer 指出，视觉理解测试要求模型根据图像推理，OpenAI 也报告了较高的数学表现。团队将这些作为特定学术评测的结果；单一分数无法衡量全部推理能力或实际可靠性。

OpenAI 表示重视事实准确性和健康相关回答，并报告了其自有评测的进步。更高的基准分数不代表生成的答案不会出错，在医疗或法律决策中尤其如此。随后演讲者介绍了发布时的访问方式和使用限额。

Song 表示，GPT-5 将向免费、Plus、Pro 和 Team 用户推出，Enterprise 和 Edu 随后跟进。免费用户达到限额后会切换至 GPT-5 mini；Pro 包含延长思考模式。这是 2025 年公布的推出条件，并非对当前可用性或价格的说明。

Berman 对前沿模型在发布时就向免费层开放感到意外，并想知道使用是否受限。发布会确认免费用户有限额，Plus 配额更高，Pro 则提供延长思考选项。

OpenAI 表示，ChatGPT 的搜索、文件和图像上传、数据分析、Canvas、图像生成、记忆及自定义指令等工具将支持 GPT-5。Berman 对免费层开放表示惊讶，并说自己采访过 Mark Chen，计划在直播后另行发布采访和测试视频。

OpenAI 从一个关于伯努利效应和机翼的问题开始学习演示。演讲者说，简单问题会得到快速回答，随后要求生成动态可视化。路由选择和一次视觉解释都不能保证生成的物理模型完整或准确。

学习演示的提示词要求快速解释伯努利原理及飞机机翼形状的原因。演讲者随后要求生成动态 SVG 插图，让模型处理比最初解释更复杂的前端任务。

模型为交互式 Canvas 可视化编写前端代码。演讲者解释说，GPT-5 可以自动增加推理，也可以由用户要求更深入地思考。Berman 提醒观众，界面展示的是推理摘要，不一定是原始内部思维链。

可视化生成期间，Christina Kaplan 回忆了早期 ChatGPT 前端的构建，以及团队如何逐渐了解用户需求。演讲者说生成的应用有数百行代码，并展示空速和迎角控制。它是发布会演示，并非经过独立验证的空气动力学模拟器。

OpenAI 的演讲者表示，可以通过操作可视化来改变空速和迎角。Berman 回答观众关于速度的问题，说自己的体验表明模型很快，并建议观众查看之后的测试了解详情。

Berman 告诉观众，他此前一周一直在测试 GPT-5，并打算另行发布视频。OpenAI 转向写作，要求 GPT-4o 和 GPT-5 为早期模型写一篇告别文。Kaplan 认为 GPT-5 的文字更有节奏，也不那么泛泛；这是对发布会选定示例的主观比较。

写作演示要求两个模型为旧版 ChatGPT 模型写一篇真挚而充满希望的悼词。Kaplan 比较两篇文章的开头，选出她认为更具体自然的措辞。她的偏好展示了文风差异，并非客观的文学评分。

在编程演示中，OpenAI 演讲者要求 GPT-5 为伴侣制作法语学习网页应用，包含每日进度、抽认卡、测验，以及类似贪吃蛇的老鼠吃奶酪游戏。提示词要求老鼠吃奶酪时播放一个法语单词。Berman 说，他仍在测试模型在智能体编程环境中的表现。

法语学习提示词有意写得很详细：它要求有吸引力的主题、多种活动，以及老鼠吃奶酪时的语音提示。演讲者打开多个模型回答，展示不同结果，并未声称每次生成都相同。

团队运行生成的应用，尝试一张抽认卡、检查法语答案，并观察进度指示器更新。接着他们玩老鼠游戏，在老鼠吃到奶酪时听到一个单词。其他生成的标签页外观不同；演讲者承认还有粗糙之处，建议用户要求修改。

演讲者测试其他应用版本，发现部分视觉细节不够美观。他们说用户可以要求修改，并开玩笑说 GPT-5 经常选择紫色。Berman 也指出，自己测试时看到前端设计有反复出现的模式。

Mark Chen 表示，这些演示展示了从小代码片段向按需生成应用的进步。公司接着介绍语音和个性化更新。短暂演示成功并不代表所有生成代码都安全、正确或可以直接投入生产。

OpenAI 的语音演讲者介绍了更自然的语音、视频输入和翻译，并宣布扩大语音访问权限。演示要求模型只用一个词回答：模型用“relationships”概括《傲慢与偏见》，用“patience”给出建议。发布当天的访问条件和限额可能已变化。

语音演示先设定只能用一个词回答的约束。模型在文学问题和智慧建议请求中遵守了指令，展示演讲者想突出的回答长度控制能力。

演讲者随后在学习模式中进行韩语咖啡馆角色扮演，询问如何点美式咖啡，并要求放慢和加快语速。Berman 说自己经常使用语音，但尚未测试这次更新。这个例子展示了练习互动，并非对语言教学效果的正式评估。

韩语练习从正常语速切换到适合初学者的慢速，然后又切换到快得多的语速。主持人对语言练习的潜力感兴趣，并说自己经常使用语音模式。

OpenAI 预览了聊天颜色选项和可选的个性风格，包括鼓励型和讽刺型。演讲者将个性化描述为让助手适应个人沟通风格，而非证明它具有人类人格。

Kaplan 介绍了记忆功能，以及计划连接 Gmail 和 Google Calendar：先向 Pro 开放，之后扩展到其他付费及组织层级。她要求安排日程，并展示助手找出跑步时间、未回复邮件和打包清单。此类访问需要用户连接并授权服务，结果仍需核查。

Kaplan 说自己正在为马拉松训练，此前用 ChatGPT 规划跑步，但它不了解她的实际日程。连接 Gmail 和 Calendar 后，她要求制定第二天的计划，以展示关联数据如何帮助个性化回答。

安全训练负责人 Saachi Jain 表示，与早期模型相比，GPT-5 不太可能误报自己的操作，或在任务未成功时声称已经完成。她将其描述为评测结果，而非保证。团队介绍了“安全完成”机制，旨在安全限制内提供有用的高层次帮助，而非总是完全配合或拒绝。

Jain 以涉及烟花材料的两用请求为例。她说，早期模型的行为会随问题表述变化，而 GPT-5 会提供安全建议并引导用户查看适当文档，而不是给出危险的操作细节。Berman 对此表示批评，但拒绝提供危险细节本身并不是模型安全失败。

安全团队表示，敏感请求可能既有合法用途也有有害用途，过去的系统有时会因措辞不同而表现不同。其提出的方法是在可能时给出安全且有用的回答，并在必要时解释拒绝的原因。

Sebastien Bubeck 介绍使用 o3 为 GPT-5 生成合成课程，称这是一代模型帮助训练下一代模型的例子。他认为这可能预示未来的自我改进。所述训练过程属于人类主导的研究流程，并不能证明存在完全自主、失控的自我改进循环。

发布会转向健康话题。Altman 表示，GPT-5 在 OpenAI 与医生合作开发的 HealthBench 上有所进步，并介绍 OpenAI 员工 Felipe Millon 及其妻子 Karolina。基准结果和发布会上的个人经历不能替代临床验证或个体化医疗建议。

Karolina 回忆自己收到多项癌症诊断后，打开一份充满陌生医学术语的活检报告。她说，她将截图上传到 ChatGPT，模型在数小时后与医生谈话之前把报告解释成她能理解的语言。这是她的个人经历，并不能证明模型能可靠诊断。

Karolina 说，她在与医生交谈之前看到陌生的活检术语。她表示，通俗解释帮助她在随后谈话时对报告有了初步了解。

她描述了专家意见不一致时，自己面对放疗决定的经历，并说 ChatGPT 帮助她理解各方论点、权衡风险与收益。她的医生参与了决策。AI 生成的健康信息可能不完整或有误，因此不能把这一个人经历理解为用 AI 替代医疗专业人员的建议。

她说，助手提供的详细分析超出了短暂就诊时间所能容纳的内容，帮助她为艰难决定做准备。这反映的是一名患者的经历，并未验证每条输出或治疗建议都正确。

Millon 说，看到 Karolina 重新获得自主感、参与治疗决策，让他很受触动。两人都认为 AI 有潜力帮助患者提出更好的问题、理解自己的选择。他们强调诊断后面对决策时的人文处境和困难。

试用 GPT-5 后，夫妇俩表示，它对原始活检提示词的回答似乎更快、更结合上下文，还建议与临床医生讨论后续问题和待出结果。这是他们对特定回答的比较，并非受控医学研究。

OpenAI 总裁 Greg Brockman 登台，回忆了 2021 年早期编程模型的演示。他说 GPT-5 面向智能体编程设计，包括在较长任务中使用工具、遵循指令和构建前端应用。他称其为最佳模型，是厂商自己的说法。

Brockman 描述了用日常语言表达想法，再让软件帮助将其变成应用的吸引力。他把 GPT-5 的编程工作视为对这一早期愿景的延伸，并介绍开发者 API 团队。

Michelle Pokrass 介绍 API 中的 GPT-5、mini 和 nano，将其作为不同成本和延迟的选择。她介绍了适用于延迟敏感应用的最小推理强度设置，以及可以接收自由文本、无需将所有参数写成 JSON 的自定义工具。

Pokrass 说，开发者可以用正则表达式或上下文无关文法约束输出，这对特定领域格式很有用。她还介绍了可以描述预期操作的工具调用前言，以及控制回答长短的详细程度设置。这些是发布时的功能，具体接口可能变化。

Pokrass 解释说，长代码或其他自由格式参数在 JSON 中转义可能很麻烦。自定义工具允许使用纯文本输入，可选的语法约束则旨在帮助开发者执行所需的语法格式。

OpenAI 报告称，GPT-5 在 SWE-bench Verified 上获得 74.9%，o3 为 69.1%；在 Aider Polyglot 上获得 88%。在其自有偏好测试中，评估者对前端示例有 70% 的时间更喜欢 GPT-5 而非 o3。这些是公司在特定设置下报告的测试结果，并非与所有竞争模型的比较，也不保证在用户代码库上的表现。

Pokrass 引用 τ²-bench 电信部分约 97% 的结果，并介绍指令遵循评测，其中内部困难子集上 GPT-5 为 64%，o3 为 47%。[开发者发布页面](https://openai.com/index/introducing-gpt-5-for-developers/)报告电信结果为 96.7%。Berman 指出，发布会并未将每项结果都与竞争对手比较。

API 介绍列出了 40 万 token 的总上下文窗口，并讨论包括 MRCR 和新 BrowseComp 长上下文测试在内的检索与推理评测。上下文上限大不意味着模型能正确利用每个细节；所报告分数取决于具体测试。

演讲者区分了更大的上下文上限与在上下文中准确检索和推理的能力。他们表示将发布一项长上下文评测以促进进一步研究；这是对测试的介绍，并非对所有文档处理效果的保证。

Brockman 说，随着一些基准接近饱和，分数上的微小差异越来越难以区分进步，因此团队强调真实工作流程。Berman 注意到发布会很少谈及图像生成，同时承认产品具备图像功能。

Brian Fioca 和 Adi Ganesh 在 Cursor 中展示 GPT-5 处理一个错误；Fioca 说此前 o3 的尝试未能修复该问题。重点在于智能体如何说明计划、搜索代码库并持续告知用户。一项错误演示不能用于估计广泛的可靠性。

在 Cursor 演示中，智能体在行动前告诉用户打算搜索什么。演讲者说，这有助于开发者调整方向；进度消息能提高可见性，但不能替代对结果的检查。

演讲者介绍了根据开发者反馈训练自主性、协作、沟通、上下文管理和测试能力。Fioca 还讲述另一个例子：他称模型重构了测试框架以并行运行 Docker，约 45 分钟后首次尝试就运行成功。

在现场修复任务中，演讲者说智能体修改代码，识别出无关的 lint 问题，并继续进行构建和可用测试。他们重视其进度更新，并解释系统指令、Cursor 规则、详细程度和推理设置可以引导工作。该演示本身并不能证明修复可以用于生产。

Fioca 说，可以通过指令和规则调整模型行为，并介绍了自己用它修改提示词的经验。团队将编程示例描述为协作工作流程时，Berman 评论了演讲者的表现方式。

Ganesh 开始第二个编程示例：为创业公司的首席财务官制作财务仪表盘。提示词要求交互式视觉层次，并指定了框架。智能体搭建 Next.js 应用和 Tailwind，安装依赖并开始创建组件，演讲者则讨论默认审美和可引导性。

团队说，他们训练模型在遵循精确布局与根据简短请求做出合理设计选择之间取得平衡。他们描述了长链工具调用，希望模型既有主动性又不偏离任务。这些是设计者的目标和观察，并不保证智能体始终不会跑偏。

仪表盘逐渐成形时，演讲者指出其中有 README、模块化图表组件和示例数据。他们介绍与人类设计师一起测试设计选择，并说模型在排版、间距和颜色方面有所改善。审美评价具有主观性，演示也使用了示例数据。

Ganesh 和同事说，他们的团队在设计师参与下评估了界面细节，并希望改进颜色、间距和排版的默认效果。现场示例使用了简短提示词，但这是一场精选演示，并非所有输出的代表性样本。

智能体运行构建、发现错误并修改自己的代码。演讲者将其称为迭代开发循环：配备工具的模型可以运行检查并根据结果作出反应。这不能与系统自主重新训练或改进自身模型权重混为一谈。

Ganesh 按照生成的说明在本地启动应用，打开包含图表、客户分群和日期筛选器的仪表盘。Berman 说自己测试时也得到过类似的财务仪表盘。发布演示展示了可运行的界面，并非经过验证的财务分析或生产环境审计。

生成的仪表盘展示财务指标和交互式图表，还演示了日期选择器与客户分群。Berman 说自己此前的测试产生了相似设计；这只是观察，并不证明代码相同或结果正确。

作为第二个趣味示例，Ganesh 要求生成带有活动人物、马匹和打气球声音游戏的 3D 城堡。为了节省时间，她展示了事先生成的版本。演讲者探索城堡、与有名字的角色互动并射击气球；他们并未声称展示的版本是在当时现场生成的。

预先准备的城堡包含动画元素、一名商人和一个有名字的角色。演讲者尝试玩气球游戏，击中目标时听到了声音。这是视觉和互动演示，并非对游戏体验或底层实现的完整评估。

演讲者对通过简短提示词制作游戏的创意可能性感到兴奋，随后介绍 Cursor 联合创始人兼首席执行官 Michael Truell。他以发布合作伙伴身份出场，因此其描述既来自产品测试，也具有推广性质。

Truell 说，他的团队最初要求 GPT-5 找出代码库中不明显的内容。他称模型识别了一个远程执行架构决策及其安全原因，而人们此前花了数周才理清。这是合作伙伴的轶事，并非对相同任务进行的独立计量比较。

Truell 重视速度、将工作分解为可见子问题，以及在长会话中响应修正的能力。他和 Brockman 打开 OpenAI Python SDK 中一个关于 PDF 上传的问题，并将其粘贴进 Cursor，观察 GPT-5 如何调查。

智能体使用 Cursor 工具读取文件、搜索代码库并开始提出修改。Truell 建议新用户从范围明确的真实任务入手，与模型同步协作。Berman 则疑惑，OpenAI 自己有 Codex 产品，为什么还要重点介绍 Cursor。

Truell 说，智能体可以在多个轮次中发挥作用，包括根据用户反馈修改此前的方法。SDK 示例使用自定义工具读取网页文本和搜索文件，因此结果反映的是模型在特定工具环境下的工作。

被问及 GPT-5 仍不能做什么时，Truell 希望计算机使用能力更好，让智能体可以运行仪表盘、检查视觉输出并开展更多质量保障。Brockman 期待未来能完成比简短演示更长时间的工作；这是未来愿景，并非此次演示已确立的能力。

SDK 演示推进到代码修改阶段，演讲者说修改看起来大致正确，并提议节目后审阅拉取请求。Truell 宣布了发布期间的 Cursor 试用，称 GPT-5 是其团队用过的最聪明的编程模型。视频没有展示修复合并，也没有独立测试其正确性。

OpenAI 平台负责人 Olivier Godement 转向企业话题，称已有 500 万家企业使用公司的技术。他介绍了 Amgen 在生命科学、BBVA 在金融分析和 Oscar 在医疗政策推理方面的早期客户案例。这些是公司和客户的说法；直播没有提供足够完整的研究设计来验证比较或确立临床安全性。

Godement 将科学文献分析、金融研究和临床政策映射方面报告的改进归功于早期合作伙伴。这些是发布会上的客户证言，关于基线、错误率和独立验证的细节有限。

Godement 说，一项美国政府协议将使联邦雇员能够使用 GPT-5，并重申 API 包含 GPT-5、mini 和 nano。发布时所报 GPT-5 价格为每百万输入 token 1.25 美元、每百万输出 token 10 美元，较小模型更便宜。这些价格、推出计划及使用条款均属历史信息。

首席科学家 Jakub Pachocki 在 OpenAI 发布会结束时感谢研究和工程团队。他将 GPT-5 描述为多年理解和引导深度学习研究的成果，并说仍需进一步研究。他希望未来的 AI 能帮助创造知识、改善生活。

Pachocki 说，此次发布初步展现了研究人员认为可以进一步发展的想法，同时承认人们对深度学习仍有很多不理解的地方。发布会以团队的期望结束，没有公布新的基准测试。

回到观看直播后，Berman 说自己 30 多分钟的独立 GPT-5 测试已发布，计划推出 Mark Chen 采访和概览。他感谢制片人 Alex 与观众，随后结束直播。本场直播未发现付费赞助口播。