一个半小时之前，Ghat GPT 5，千呼万唤始出来，然后端了许多公司。
https://openai.com/index/introducing-gpt-5/
刚刚研读了 GPT5 完整技术文档，先分享一下技术细节。
一、架构革新
GPT-5用了一套统一架构系统，有点像人脑的快慢思考模式。
系统会根据对话类型、复杂度、工具需求、你的明确要求（比如说“认真想想这个问题”）来实时判断。
也就是说，简单问题秒答，复杂问题自动开启深度思考模式，最长能思考几分钟。（Qwen3之前也试过类似的，最近放弃了，GPT-5直接 All In 上线了，不过，还看实际效果咋样）
更牛的是这个路由器会自己进化：它会学习用户什么时候切换模型、更喜欢哪种回答、答案准不准确...
持续优化决策。用完额度后，mini版本自动接管，保证服务不断。
OpenAI说未来要把这三层能力融合成一个模型，如果真做到了，那感觉就是真正的AGI雏形了。
二、性能数据
看到里面的性能数据，我惊呆了。
AIME数学竞赛94.6% - 100% 准确率，这是能进MIT的水平，然后哈佛-MIT数学竞赛100%全对…
这…100 分，好小众的分数，GPT-5 pro已经碾压 99% 的人类了吧？
真实编程任务SWE-bench达74.9%，初级或者专门做逻辑的小开发…
不过还是要让子弹飞一会，看和 Claude 差多远。
但真正炸裂的是效率…
同样解决一个问题，GPT-5只需o3一半的 Token：科学推理从 4000 降到 2000、软件工程从12000降到6000，这养的优化属于降维打击。
因为年初 DeepSeek 发布的时候，论证的一个点：强推理能力模型 + 高质量的推理前文 = 高质量结果。
但因为 DeepSeek 的推理效果不那么好，会浪费许多 Token。
现在 GPT 5 就是超强推理模型 + 高质量而且更短的前文，直接得到更好结果。
然后医疗领域：HealthBench Hard得分46.2%，关键是幻觉率仅3.6%（o3是15.8%），配合博士级科学问题88.4%准确率…
这…已经不是AI工具而是AI主任医生了。
然后，它能靠一个提示生成完整游戏和网站…美术品味还相当不错。
当成本减半、速度翻倍、可靠性达到医疗级别（以及各种垂类场景），这已经不能说是版本升级，这样的 ROI，整个行业的游戏规则都要被改写。
因为垂类大模型可能要开始干不过通用大模型了。
三、可靠性开始质变
看了幻觉率的数据，太强了…
第一张图直接对比了开源提示词的幻觉率，GPT-5深度思考模式在长事实-概念测试只有0.7%（o3是4.5%），长事实-对象测试是0.8%（o3是5.1%），事实准确度评分1.0%（o3是5.7%）...这差距，基本不是一个量级了。
然后医疗场景的健康基准困难模式牛逼，GPT-5深度思考模式幻觉率1.6%，不开思考模式也只有3.6%，而o3是12.9%，GPT-4o直接15.8%...
这个1.6%什么概念？感觉这玩意可能比人类的一些小医生都稳。
之前 Vectara做的第三方的大模型幻觉评测。
Gemini 2.0 flash是0.7，o3-mini高推理模式是0.795，然后GPT-4.5预览版是1.2...
对比一下 GPT-5 的数据，很能说明问题…
现在幻觉率能控制在1%以下的，只有谷歌和OpenAI的最新模型。
诚实度测试也很有意思。
CharXiv缺失图像测试：把图删了再问图片内容，o3还会一本正经胡说八道（86.7%），GPT-5只有9%会出问题。
编码欺骗测试，o3有47.4%会假装完成不可能的任务，GPT-5降到16.5%。
安全机制这块，OpenAI搞了个“安全完成”的新模式。
有些问题，GPT会直接再已读不回了，比如问病毒学问题，会给高层次科学指导，但不会教具体制造方法。
拒绝时还解释原因，提供替代方案。
生物安全直接被评为「高能力」级别，上了五层防护：威胁建模、安全训练、实时监控、推理检测、执行管道...
还做了5000小时红队测试。
那么，当幻觉率降到1.6%，当AI学会诚实说「不知道」，当安全边界清晰可控...
这么可控的大模型…
这就不是玩具，是真正的生产力工具。
通过 GPT-5 的细节，我看到了什么
说实话，看完这些数据，我觉得整个模型格局又要换一代了…
路由器 + 双模型架构...
意味着 OpenAI 真的将之前一直说的「系统1」和「系统2」快慢思考模式做出来了：简单问题秒答，复杂问题深思，还能自己判断什么时候该用哪个。
认知架构的突破，不知道是工程化，还是原生。
然后 Token 节省 50 - 80% 这事... 就像解数学题，别人绕10步，它3步就到了。
这种「思维捷径」的发现，意味着 GPT-5 找到了更短的推理路径的方法
其实，这在昨天发布的 OSS 模型上也有体现。
然后，可靠性这块，我觉得已经过了临界点。
幻觉率1.6%、欺骗率2.1%...
这些数字意味着什么？
意味着AI终于可以从「有趣的玩具」变成「可信的工具」了。
然后，通用大模型的专业能力的广度和深度。
他们内部评估：在法律、物流、销售和工程等 40 多个职业的任务中优于 o3 和 ChatGPT Agent。
于是，医疗、法律、金融这些容错率极低的领域，可能可以能真正用起来了。
从诗歌意境分析到太阳能串并联计算，从K-pop巡演财务规划到投手康复医学方案...每个领域都不是泛泛而谈，而是真正的专业级水准。
这种全方位的专业能力，已经不是「通用AI」那么简单了。
这是一个能在任何领域快速成为专家的大模型。
如果这些数据都是真的，那整个AI行业的游戏规则...要变了。
那下面这些，可能就很难成为关键胜负手了。
这会带来什么连锁反应？
【短期】
开源社区...千问加油！
完善的路由器+双模型架构不是简单堆参数能追赶的，因为这可能和 Scaling Law 没太大关系，可能是结构的代差。
但我不太清楚，因为 Qwen 3 之前干过这个事，或许跟进起来也不那么难？
然后，那些做垂类 AI 模型的创业公司更惨。
你说你专注医疗？GPT-5幻觉率1.6%。
你说你专注Coding？GPT-5的SWE-bench 74.9%。
你的「专业化护城河」...
可能就被平滑成水沟了。
企业IT部门要疯狂重构了。
之前是「AI辅助人类」，现在可靠性到这个程度，很多流程可以直接「AI主导，人类审核」了。
可能，半年左右，从效率提升转变到工作模式改变。
中期
三巨头的竞争焦点要变了。
性能已经够用了，现在拼的是谁更便宜、谁更可靠、谁更不会乱讲。
此刻压力给到Claude 和 Gemini。
超强模型的输入Token 成本减半，KVCache 成本下降十倍，这事影响很大。
实时同声传译、全量代码审查、24小时医疗咨询...这些以前太贵用不起的场景，突然都变得可行了。
而且根据这个逻辑推论， MssS（Model as a Service） 直接就进化成 IaaS （Intelligence as a Service）了。
长期
效率提升50-80%，意味着边缘部署成为可能。
手机端跑个轻量版GPT-5？完全可行。这会彻底改变移动应用的形态。
2.1%的欺骗率，1.6%的幻觉率...这个可靠性，可以让AI独立处理很多任务了。
去年，我们从「人类主导+AI工具」，
变成现在「AI执行+人类监督」，
以后再到「AI伙伴+人类评价」，AI Agent终于能真正进生产环境了。
GPT-5 的真正意义不在于这个跑分。
而在于它把「强大」转化为「可用」，把「智能」转化为「可信」。
当AI不再幻觉、不再欺骗、成本减半、速度翻倍…
整个 AI 行业的商业化…
可能真的要开始了。
