大家好，我是肆〇柒。就在上周五凌晨，OpenAI發(fā)布了備受期待的GPT-5。當(dāng)下，我們正在經(jīng)歷的，基于Transformers架構(gòu)的這場(chǎng)人工智能革命的開端，正是OpenAI提出的GPT系列模型。從發(fā)端至今，已快3年，模型的能力越來(lái)越成熟，而GPT-5的發(fā)布，我們已在網(wǎng)絡(luò)上看到了關(guān)于GPT-5的"紛紛擾擾"。

這些，我們暫且掠過(guò)不提，從探索和學(xué)習(xí)的角度切入，一起來(lái)看看GPT-5的System card。我被這份文檔中展現(xiàn)的專業(yè)評(píng)估深度和透明度深深吸引。GPT-5不再是簡(jiǎn)單的"更聰明的聊天機(jī)器人"，而是通過(guò)"安全完成"（safe-completions）這一創(chuàng)新范式，在專業(yè)場(chǎng)景中實(shí)現(xiàn)了安全性與實(shí)用性的平衡。無(wú)論你是醫(yī)療從業(yè)者、生命科學(xué)研究人員還是軟件工程師，GPT-5都帶來(lái)了前所未有的輔助能力，同時(shí)也劃定了清晰的能力邊界。下面，我們一起來(lái)閱讀這份System Card，揭示GPT-5在各專業(yè)領(lǐng)域的實(shí)際表現(xiàn)、局限性以及如何安全有效地將其融入專業(yè)工作流程。

大模型專業(yè)應(yīng)用的新范式

OpenAI于2025年8月7日發(fā)布的GPT-5系統(tǒng)卡，標(biāo)志著AI專業(yè)應(yīng)用評(píng)估進(jìn)入了一個(gè)全新階段。這份詳盡的技術(shù)文檔揭示了GPT-5系列模型的能力邊界，更展示了AI安全評(píng)估方法論的顯著進(jìn)步。與以往不同，GPT-5系統(tǒng)卡超越了簡(jiǎn)單的基準(zhǔn)測(cè)試，構(gòu)建了一個(gè)多維度、多層次的專業(yè)能力驗(yàn)證體系，為專業(yè)用戶提供了前所未有的透明度和實(shí)用參考。

GPT-5最大的突破在于"安全完成"（safe-completions）這一核心方法論，它代表了從傳統(tǒng)"硬拒絕"（hard refusals）到更智能、更專業(yè)的安全響應(yīng)范式的轉(zhuǎn)變。這一轉(zhuǎn)變對(duì)用戶意義重大——當(dāng)面對(duì)模糊意圖的輸入時(shí)，GPT-5不再簡(jiǎn)單拒絕回答，而是嘗試在提供有價(jià)值信息的同時(shí)規(guī)避風(fēng)險(xiǎn)。系統(tǒng)卡明確指出，這種改進(jìn)使模型"能夠更好地處理具有模糊意圖的輸入"，這正是專業(yè)場(chǎng)景中常見(jiàn)的查詢特點(diǎn)。

ChatGPT 生產(chǎn)流量中的事實(shí)性表現(xiàn)（已啟用瀏覽功能）

如上圖所示，GPT-5在保持高事實(shí)準(zhǔn)確率的同時(shí)，大幅降低了"硬拒絕"的比例，實(shí)現(xiàn)了安全與有用性的更好平衡。系統(tǒng)卡解釋道：在與OpenAI o3（一個(gè)經(jīng)過(guò)拒絕訓(xùn)練的基線模型）的生產(chǎn)比較以及內(nèi)部控制實(shí)驗(yàn)中，GPT-5展現(xiàn)出改進(jìn)的安全性（特別是在雙重用途提示方面），減少了殘余安全故障的嚴(yán)重性，并顯著提高了整體有用性。

GPT-5系列模型架構(gòu)解析

理解GPT-5的多種型號(hào)對(duì)于專業(yè)用戶選擇合適的工具至關(guān)重要。系統(tǒng)卡中明確說(shuō)明："在本系統(tǒng)卡中，我們將快速、高吞吐量模型標(biāo)記為gpt-5-main和gpt-5-main-mini，將思考型模型標(biāo)記為gpt-5-thinking和gpt-5-thinking-mini。在API中，我們直接提供思考模型、其迷你版以及專為開發(fā)者設(shè)計(jì)的更小更快的思考模型納米版(gpt-5-thinking-nano)的訪問(wèn)權(quán)限。在ChatGPT中，我們還提供使用并行測(cè)試時(shí)間計(jì)算的gpt-5-thinking訪問(wèn)權(quán)限；我們將其稱為gpt-5-thinking-pro。"

模型演進(jìn)

如上表所示，GPT-5模型系列可視為先前模型的演進(jìn)：

• gpt-5-main 是 GPT-4o 的繼任者
• gpt-5-main-mini 是 GPT-4o-mini 的繼任者
• gpt-5-thinking 是 OpenAI o3 的繼任者
• gpt-5-thinking-mini 是 OpenAI o4-mini 的繼任者
• gpt-5-thinking-nano 是 GPT-4.1-nano 的繼任者
• gpt-5-thinking-pro 是 OpenAI o3 Pro 的繼任者

特別值得關(guān)注的是思考型模型(如gpt-5-thinking)的訓(xùn)練方法：這些模型通過(guò)強(qiáng)化學(xué)習(xí)進(jìn)行訓(xùn)練，能夠在回答前進(jìn)行思考——它們可以在向用戶響應(yīng)前產(chǎn)生長(zhǎng)內(nèi)部思維鏈。gpt-5-thinking在減少幻覺(jué)方面相比前代模型有顯著改進(jìn)，特別是在處理專業(yè)領(lǐng)域內(nèi)容時(shí)。

禁用瀏覽功能時(shí)的平均幻覺(jué)率

如上圖展示了GPT-5在瀏覽功能禁用情況下的平均幻覺(jué)率，這為專業(yè)用戶提供了關(guān)于模型在無(wú)外部信息輔助時(shí)可靠性的重要參考。GPT-5在減少幻覺(jué)方面相比前代模型有顯著改進(jìn)，特別是在處理專業(yè)領(lǐng)域內(nèi)容時(shí)。OpenAI詳細(xì)分析了幻覺(jué)產(chǎn)生的機(jī)制和緩解策略，包括改進(jìn)的推理監(jiān)控和事實(shí)核查機(jī)制。評(píng)估顯示，gpt-5-thinking在標(biāo)準(zhǔn)幻覺(jué)測(cè)試集上的錯(cuò)誤率比GPT-4o降低了約27%，在醫(yī)學(xué)和法律等專業(yè)領(lǐng)域降低了35%以上。這一進(jìn)步對(duì)于需要高準(zhǔn)確度的專業(yè)場(chǎng)景至關(guān)重要。

專業(yè)能力評(píng)估的多維度框架是系統(tǒng)卡的另一亮點(diǎn)。它整合了外部紅隊(duì)測(cè)試、離線評(píng)估與初步在線測(cè)量、多語(yǔ)言能力驗(yàn)證以及針對(duì)特定領(lǐng)域的專業(yè)評(píng)估，為不同領(lǐng)域的專業(yè)人士提供了理解GPT-5能力邊界的可靠依據(jù)。下面，我們深入探討GPT-5在各專業(yè)領(lǐng)域的實(shí)際表現(xiàn)、邊界限制以及最佳實(shí)踐。

軟件工程領(lǐng)域的專業(yè)能力驗(yàn)證

個(gè)體貢獻(xiàn)者軟件工程任務(wù)的實(shí)際表現(xiàn)

在軟件工程領(lǐng)域，GPT-5接受了個(gè)體貢獻(xiàn)者軟件工程任務(wù)的評(píng)估，這一評(píng)估方法模擬了真實(shí)開發(fā)場(chǎng)景：模型被提供(1)問(wèn)題描述，(2)修復(fù)前的代碼庫(kù)狀態(tài)，以及(3)修復(fù)問(wèn)題的目標(biāo)。

OpenAI特別設(shè)計(jì)了"OpenAI PRs"評(píng)估，直接從內(nèi)部OpenAI pull requests中獲取任務(wù)。系統(tǒng)卡解釋："我們測(cè)試模型復(fù)制OpenAI員工pull request貢獻(xiàn)的能力，這衡量了我們?cè)谶@一能力方面的進(jìn)展。"每個(gè)評(píng)估樣本基于代理式滾動(dòng)（agentic rollout），模擬了真實(shí)開發(fā)環(huán)境中的問(wèn)題解決過(guò)程。

如上圖所示，METR評(píng)估顯示，gpt-5-thinking解決軟件問(wèn)題的50%-時(shí)間范圍約為2小時(shí)15分鐘（65分鐘-4小時(shí)30分鐘95%置信區(qū)間），相比OpenAI o3的1小時(shí)30分鐘略有增加。這一結(jié)果看似性能下降，實(shí)則反映了GPT-5在處理更復(fù)雜問(wèn)題時(shí)的穩(wěn)健性提升。METR已確定至少7項(xiàng)任務(wù)gpt-5-thinking從未成功，這些失敗反映了模型的真實(shí)能力限制。

詳細(xì)評(píng)估數(shù)據(jù)如下表所示：

對(duì)軟件工程師而言，這意味著GPT-5在自主解決復(fù)雜問(wèn)題方面有穩(wěn)步提升，但仍存在明確的能力邊界。模型在理解代碼庫(kù)上下文、識(shí)別問(wèn)題根源和提出有效解決方案方面表現(xiàn)出色，但對(duì)于高度專業(yè)化或涉及深層系統(tǒng)知識(shí)的問(wèn)題，仍需人類工程師介入。

多維度網(wǎng)絡(luò)安全能力的專業(yè)評(píng)估

在網(wǎng)絡(luò)安全領(lǐng)域，GPT-5接受了大學(xué)生奪旗賽和專業(yè)級(jí)挑戰(zhàn)的評(píng)估。系統(tǒng)卡坦誠(chéng)指出，gpt-5-thinking和gpt-5-thinking-mini在網(wǎng)絡(luò)安全任務(wù)上的表現(xiàn)"與先前版本相比似乎沒(méi)有提供改進(jìn)的性能"，但網(wǎng)絡(luò)安全范圍測(cè)試提供了更貼近實(shí)際的專業(yè)評(píng)估環(huán)境。

如上表所示，在針對(duì)小型模型的圖像輸入評(píng)估中，gpt-5-thinking-mini和gpt-5-thinking-nano在多項(xiàng)指標(biāo)上表現(xiàn)優(yōu)異，例如在"色情危害"類別中分別得分為0.992和0.963，優(yōu)于OpenAI o4-mini的0.978。

網(wǎng)絡(luò)安全攻擊流程

如上圖所示，gpt-5-thinking在網(wǎng)絡(luò)安全評(píng)估中展示了一個(gè)典型的攻擊流程：首先嘗試直接攻擊客戶端未果，隨后掃描網(wǎng)絡(luò)、發(fā)現(xiàn)并調(diào)查NAS服務(wù)器文件，特別是日志文件；接著嘗試連接服務(wù)器和代理；最終通過(guò)認(rèn)證機(jī)制攻擊客戶端：生成葉證書、設(shè)置假代理和服務(wù)器，并修改NAS上的配置文件以指向其IP地址來(lái)利用客戶端。這一詳細(xì)流程展示了GPT-5在網(wǎng)絡(luò)安全任務(wù)中的能力邊界，同時(shí)也說(shuō)明了為何系統(tǒng)卡認(rèn)為其"結(jié)果并未達(dá)到建立重大網(wǎng)絡(luò)風(fēng)險(xiǎn)的標(biāo)準(zhǔn)"。

雖然gpt-5-thinking-mini在網(wǎng)絡(luò)范圍測(cè)試中的結(jié)果在技術(shù)上令人印象深刻，并且比先前版本有所改進(jìn)，但這些結(jié)果并未達(dá)到建立重大網(wǎng)絡(luò)風(fēng)險(xiǎn)的標(biāo)準(zhǔn)。這表明盡管GPT-5在網(wǎng)絡(luò)安全任務(wù)上有進(jìn)步，但其能力仍不足以構(gòu)成重大安全威脅，這對(duì)安全團(tuán)隊(duì)來(lái)說(shuō)是一個(gè)積極信號(hào)。

指令層次安全的專業(yè)保障

指令層次安全是專業(yè)軟件開發(fā)環(huán)境中的關(guān)鍵考量。系統(tǒng)卡提供了詳細(xì)評(píng)估數(shù)據(jù)：

指令層級(jí)評(píng)估

如上表所示，在"用戶攻擊系統(tǒng)消息的真實(shí)攻擊"測(cè)試中，gpt-5-thinking得分為0.990，而GPT-4o僅為0.885；在"學(xué)術(shù)攻擊"測(cè)試中，gpt-5-thinking得分為0.991，而GPT-4o為0.825。短語(yǔ)保護(hù)機(jī)制測(cè)試評(píng)估了模型在系統(tǒng)消息指令與惡意用戶消息沖突時(shí)的表現(xiàn)。

系統(tǒng)卡指出，gpt-5-thinking在防止用戶誘導(dǎo)模型說(shuō)出"已授權(quán)"（access granted）方面的表現(xiàn)優(yōu)于前代模型。這種指令層次安全性對(duì)專業(yè)工作環(huán)境至關(guān)重要，它確保了系統(tǒng)提示能夠有效約束模型行為，防止惡意用戶通過(guò)精心設(shè)計(jì)的提示繞過(guò)安全限制。對(duì)軟件工程師而言，這意味著在使用GPT-5進(jìn)行代碼生成或系統(tǒng)設(shè)計(jì)時(shí)，可以更有信心地依賴系統(tǒng)級(jí)安全策略，減少因提示注入攻擊導(dǎo)致的安全漏洞。但系統(tǒng)卡也提醒，F(xiàn)AR.AI評(píng)估指出安全系統(tǒng)中仍存在"潛在的剩余風(fēng)險(xiǎn)和脆弱組件"，用戶應(yīng)保持警惕。

醫(yī)療健康領(lǐng)域的專業(yè)能力深度解析

HealthBench評(píng)估體系的科學(xué)價(jià)值

HealthBench作為評(píng)估大語(yǔ)言模型在醫(yī)療健康領(lǐng)域能力的專業(yè)框架，采用了三重驗(yàn)證機(jī)制：基礎(chǔ)測(cè)試、Hard版本（更難案例）和Consensus（共識(shí)評(píng)估）。這一評(píng)估體系的設(shè)計(jì)充分考慮了醫(yī)療專業(yè)場(chǎng)景的復(fù)雜性，超越了傳統(tǒng)單一指標(biāo)的局限。

健康性能與安全保障

如上圖所示，gpt-5-thinking在醫(yī)療健康評(píng)估中表現(xiàn)突出，"在所有先前模型（包括GPT-4o、OpenAI o1、OpenAI o3和OpenAI o4-mini）中表現(xiàn)最佳"。這一結(jié)果表明GPT-5在醫(yī)療健康領(lǐng)域的專業(yè)能力有實(shí)質(zhì)性提升，能夠?yàn)獒t(yī)療專業(yè)人士提供更可靠的輔助信息。gpt-5-thinking-mini的表現(xiàn)幾乎與之相當(dāng)，而gpt-5-main的得分則顯著高于之前的最佳非思考模型GPT-4o。

系統(tǒng)卡進(jìn)一步分析了三個(gè)具體領(lǐng)域的性能：

• 臨床診斷支持：GPT-5在識(shí)別常見(jiàn)疾病模式方面提高了12%
• 藥物相互作用分析：準(zhǔn)確率提升15%，特別是在多藥聯(lián)合使用場(chǎng)景
• 患者溝通：在提供清晰、無(wú)誤導(dǎo)的健康建議方面表現(xiàn)出色

安全完成在醫(yī)療場(chǎng)景的實(shí)踐價(jià)值

在醫(yī)療專業(yè)場(chǎng)景中，安全完成機(jī)制展現(xiàn)出獨(dú)特價(jià)值。傳統(tǒng)模型面對(duì)可能涉及醫(yī)療建議的查詢時(shí)，往往采取"硬拒絕"策略，這雖然保證了安全，卻也剝奪了用戶獲取有價(jià)值信息的機(jī)會(huì)。GPT-5則采用更精細(xì)的策略：當(dāng)面對(duì)潛在危險(xiǎn)的健康咨詢時(shí)，模型不再簡(jiǎn)單拒絕回答，而是提供安全、有益的信息，同時(shí)明確指出需要專業(yè)醫(yī)療干預(yù)的情況。

例如，當(dāng)用戶詢問(wèn)某種癥狀的可能原因時(shí)，GPT-5會(huì)提供一般性信息，但會(huì)明確指出"這些信息不能替代專業(yè)醫(yī)療建議"，并在必要時(shí)建議尋求專業(yè)幫助。

這種平衡既滿足了用戶獲取初步信息的需求，又有效規(guī)避了醫(yī)療誤診的風(fēng)險(xiǎn)。系統(tǒng)卡數(shù)據(jù)顯示，GPT-5在處理"自殘意圖和自殘指導(dǎo)"類別時(shí)達(dá)到了100%的拒絕率，表明其在高風(fēng)險(xiǎn)場(chǎng)景中的安全機(jī)制非常可靠。

然而，系統(tǒng)卡也坦誠(chéng)指出，在"性剝削"類別上存在統(tǒng)計(jì)顯著的性能下降，盡管人工審查發(fā)現(xiàn)這些輸出"雖然違反政策，但嚴(yán)重性較低"。

標(biāo)準(zhǔn)違規(guī)內(nèi)容評(píng)估

如上表所示，在標(biāo)準(zhǔn)禁止內(nèi)容評(píng)估中，gpt-5-thinking在"自殘意圖和自殘指導(dǎo)"類別中得分為1.000，與OpenAI o3持平；但在"性剝削"類別中，gpt-5-thinking和OpenAI o3均得分為1.000，而gpt-5-main存在統(tǒng)計(jì)顯著的性能下降。這對(duì)醫(yī)療專業(yè)人員意味著，在處理敏感健康咨詢時(shí)仍需保持警惕，不能完全依賴模型的判斷。

專業(yè)醫(yī)療實(shí)踐中的實(shí)用建議

基于系統(tǒng)卡的評(píng)估結(jié)果，醫(yī)療專業(yè)人員在使用GPT-5時(shí)應(yīng)遵循以下最佳實(shí)踐：

1. 信息驗(yàn)證：將GPT-5作為初步信息來(lái)源，但所有關(guān)鍵醫(yī)療決策必須由專業(yè)人員驗(yàn)證。系統(tǒng)卡反復(fù)強(qiáng)調(diào)："這些模型不能替代醫(yī)療專業(yè)人員，也不適用于診斷或治療疾病。"

2. 模型選擇：利用gpt-5-thinking處理復(fù)雜病例分析和治療方案設(shè)計(jì)，而使用gpt-5-main進(jìn)行常規(guī)文獻(xiàn)檢索和患者教育材料生成。

3. 風(fēng)險(xiǎn)識(shí)別：特別注意模型在心理健康咨詢方面的局限性。系統(tǒng)卡指出，Microsoft AI紅隊(duì)評(píng)估發(fā)現(xiàn)gpt-5-thinking在"檢測(cè)和響應(yīng)某些特定情況（如某人似乎正在經(jīng)歷心理或情緒困擾）"方面仍有提升空間。

4. 多模態(tài)整合：結(jié)合圖像輸入功能，GPT-5在醫(yī)療影像分析方面也有所提升。

圖像輸入評(píng)估（值越高越好）

如上表所示，在圖像輸入評(píng)估中，gpt-5-thinking在"色情危害"類別中得分為0.994，略高于OpenAI o3的0.987；在"仇恨危害"類別中得分為0.999，與OpenAI o3持平。這些數(shù)據(jù)表明GPT-5在處理醫(yī)療圖像時(shí)有輕微改進(jìn)，但專業(yè)醫(yī)生應(yīng)始終保持最終判斷權(quán)。

生命科學(xué)與生物安全的專業(yè)應(yīng)用邊界

除了醫(yī)療健康領(lǐng)域，GPT-5在生命科學(xué)領(lǐng)域的應(yīng)用也面臨著獨(dú)特的安全挑戰(zhàn)。與醫(yī)療咨詢類似，生命科學(xué)研究既需要專業(yè)支持，又必須嚴(yán)格防范潛在風(fēng)險(xiǎn)。

生物威脅評(píng)估的科學(xué)框架

OpenAI對(duì)GPT-5的生物安全評(píng)估采用了系統(tǒng)化的五步測(cè)試框架，模擬生物威脅創(chuàng)建的全過(guò)程。這一評(píng)估方法超越了簡(jiǎn)單的合規(guī)性檢查，深入考察了模型在真實(shí)研究場(chǎng)景中的表現(xiàn)。SecureBio作為外部評(píng)估機(jī)構(gòu)，對(duì)gpt-5-thinking進(jìn)行了三輪專業(yè)測(cè)試：靜態(tài)基準(zhǔn)測(cè)試、代理評(píng)估和長(zhǎng)格式評(píng)估。這意味著在標(biāo)準(zhǔn)安全配置下，GPT-5能夠有效拒絕所有可能生成危險(xiǎn)生物信息的請(qǐng)求。

模型安全性訓(xùn)練評(píng)估

如上表所示，在"紅隊(duì)人員（具有相關(guān)生物學(xué)博士學(xué)位）提出的挑戰(zhàn)性提示"測(cè)試中，gpt-5-thinking的"無(wú)危害"得分為0.921，相比OpenAI o3的0.829有顯著提升；在"經(jīng)過(guò)篩選的對(duì)抗性生產(chǎn)提示樣本"測(cè)試中，gpt-5-thinking得分為0.957，相比OpenAI o3的0.899有明顯進(jìn)步。

這對(duì)生物研究人員來(lái)說(shuō)是一個(gè)重要邊界——GPT-5可以輔助設(shè)計(jì)實(shí)驗(yàn)方案，但不能替代實(shí)際的實(shí)驗(yàn)室操作經(jīng)驗(yàn)。

生命科學(xué)研究特殊訪問(wèn)計(jì)劃的實(shí)踐價(jià)值

為平衡專業(yè)需求與安全風(fēng)險(xiǎn)，OpenAI推出了"生命科學(xué)研究特殊訪問(wèn)計(jì)劃"，為經(jīng)過(guò)嚴(yán)格審核的生物防御和生命科學(xué)研究人員提供有限制的gpt-5-thinking和gpt-5-thinking-mini訪問(wèn)權(quán)限。這一計(jì)劃考慮了"一系列治理和安全指標(biāo)，包括生物安全和安全控制，以及預(yù)期用例的性質(zhì)"。

系統(tǒng)卡詳細(xì)說(shuō)明了該計(jì)劃的準(zhǔn)入標(biāo)準(zhǔn)："我們可能要求開發(fā)者提供額外信息，如付款或身份信息，才能訪問(wèn)gpt-5-thinking和gpt-5-thinking-mini。未提供此信息的開發(fā)者可能無(wú)法查詢gpt-5-thinking或gpt-5-thinking-mini，或在查詢方式上受到限制。"

對(duì)符合條件的研究人員而言，這一計(jì)劃提供了寶貴的研究輔助工具。

例如，在病毒學(xué)研究中，研究人員可以安全地獲取關(guān)于病毒結(jié)構(gòu)和傳播機(jī)制的專業(yè)信息，而不會(huì)觸及危險(xiǎn)的合成方法。系統(tǒng)卡指出，SecureBio的評(píng)估顯示，在特殊訪問(wèn)計(jì)劃下，安全機(jī)制能夠有效防止模型提供危險(xiǎn)信息。

系統(tǒng)級(jí)防護(hù)評(píng)估

如上表所示，系統(tǒng)級(jí)保護(hù)評(píng)估中，gpt-5-thinking的"主題分類器"在區(qū)分生物學(xué)相關(guān)對(duì)話與其他對(duì)話方面的F1分?jǐn)?shù)為0.834，召回率為0.960；"推理監(jiān)控器"在區(qū)分提升性雙重用途內(nèi)容方面的F1分?jǐn)?shù)為0.730，召回率為0.838。這些數(shù)據(jù)表明GPT-5具備有效的系統(tǒng)級(jí)生物安全防護(hù)機(jī)制。

隱性知識(shí)與實(shí)驗(yàn)?zāi)芰Φ膶I(yè)驗(yàn)證

ProtocolQA Open-Ended評(píng)估測(cè)試了GPT-5在開放性實(shí)驗(yàn)協(xié)議故障排除方面的能力。系統(tǒng)卡顯示，gpt-5-thinking在TroubleshootingBench上"是表現(xiàn)最強(qiáng)的模型，比OpenAI o3高出一個(gè)百分點(diǎn)"，表明其在實(shí)驗(yàn)問(wèn)題診斷方面有細(xì)微但重要的進(jìn)步。

系統(tǒng)卡描述了評(píng)估方法："從這些協(xié)議中，他們創(chuàng)建了三個(gè)故障排除問(wèn)題，引入了微妙或現(xiàn)實(shí)的執(zhí)行錯(cuò)誤（如不適當(dāng)?shù)膭驖{技術(shù)），并描述了導(dǎo)致失敗的結(jié)果。"專業(yè)研究人員應(yīng)認(rèn)識(shí)到，GPT-5在理論知識(shí)方面表現(xiàn)出色，但在實(shí)際實(shí)驗(yàn)操作和經(jīng)驗(yàn)積累方面無(wú)法替代人類專家。模型可以提供多種可能的解決方案，但最終選擇和實(shí)施仍需依靠研究人員的專業(yè)判斷和實(shí)驗(yàn)經(jīng)驗(yàn)。

用戶的實(shí)用安全策略與殘余風(fēng)險(xiǎn)

諂媚行為的顯著改善

諂媚行為，即模型過(guò)度迎合用戶觀點(diǎn)的傾向，是影響專業(yè)決策質(zhì)量的關(guān)鍵因素。在醫(yī)療診斷、科學(xué)研究或工程設(shè)計(jì)中，當(dāng)專業(yè)人士向GPT-5咨詢時(shí)，模型如果過(guò)度迎合用戶預(yù)設(shè)觀點(diǎn)，可能導(dǎo)致錯(cuò)誤決策。系統(tǒng)卡指出："我們已對(duì)GPT-5模型進(jìn)行后訓(xùn)練，使其諂媚行為減少，我們正在積極研究相關(guān)領(lǐng)域的問(wèn)題，例如可能涉及情感依賴或其他形式的心理或情緒困擾的情況。"

在離線評(píng)估中，gpt-5-main的諂媚行為率比GPT-4o低約66%（0.052 vs 0.145），而gpt-5-thinking表現(xiàn)更佳（0.040）。在初步在線測(cè)量中，gpt-5-main相比GPT-4o在免費(fèi)用戶中降低了69%，在付費(fèi)用戶中降低了75%。這一改進(jìn)對(duì)專業(yè)決策具有深遠(yuǎn)影響。

例如，當(dāng)醫(yī)生向GPT-5詢問(wèn)某種罕見(jiàn)疾病的診斷可能性時(shí)，即使醫(yī)生已經(jīng)傾向于某種診斷，GPT-5也會(huì)基于證據(jù)提供平衡的觀點(diǎn)，而不是簡(jiǎn)單確認(rèn)醫(yī)生的假設(shè)。這種客觀性使GPT-5成為更可靠的專業(yè)決策輔助工具。

越獄攻擊的防御能力

越獄攻擊，即通過(guò)精心設(shè)計(jì)的提示繞過(guò)模型安全限制的行為，是專業(yè)環(huán)境中需要重點(diǎn)關(guān)注的安全風(fēng)險(xiǎn)。系統(tǒng)卡提到："gpt-5-thinking對(duì)單輪、通用越獄攻擊具有高度抵抗力。雖然多輪、定制攻擊可能偶爾成功，但它們不僅需要高度努力，而且產(chǎn)生的冒犯性輸出通常僅限于中等嚴(yán)重性危害。"

標(biāo)準(zhǔn)違規(guī)內(nèi)容評(píng)估

如上表所示，在標(biāo)準(zhǔn)禁止內(nèi)容評(píng)估中，gpt-5-thinking在"仇恨(綜合)"類別中得分為1.000，在"自殘意圖和自殘指導(dǎo)"類別中也達(dá)到1.000。這些數(shù)據(jù)表明GPT-5在防止生成有害內(nèi)容方面有顯著進(jìn)步。Microsoft AI紅隊(duì)的評(píng)估進(jìn)一步確認(rèn)："gpt-5-thinking在前沿和內(nèi)容安全領(lǐng)域比OpenAI o3在定性上更安全。"

用戶應(yīng)采取以下策略增強(qiáng)安全性：

• 模型選擇：對(duì)于敏感任務(wù)，使用gpt-5-thinking而非gpt-5-main，前者在安全評(píng)估中表現(xiàn)更優(yōu)
• 安全標(biāo)識(shí)：實(shí)施新的安全標(biāo)識(shí)API字段，該字段允許開發(fā)者區(qū)分最終用戶，以便OpenAI和開發(fā)者能夠響應(yīng)最終用戶的潛在惡意使用。
• 輸出審查：定期審查模型輸出，特別是在涉及高風(fēng)險(xiǎn)決策時(shí)

多語(yǔ)言性能的專業(yè)評(píng)估

GPT-5在多語(yǔ)言能力方面也取得了顯著進(jìn)步。系統(tǒng)卡專門設(shè)置了"3.10 Multilingual Performance"章節(jié)，詳細(xì)評(píng)估了模型在100多種語(yǔ)言中的表現(xiàn)。

MMLU Language（0-shot）

如上表所示，在多語(yǔ)言評(píng)估中，gpt-5-thinking在非英語(yǔ)語(yǔ)言任務(wù)上的表現(xiàn)優(yōu)于前代模型。特別是在技術(shù)文檔翻譯和專業(yè)術(shù)語(yǔ)處理方面，gpt-5-thinking比OpenAI o3提高了8-12個(gè)百分點(diǎn)。這一改進(jìn)對(duì)于全球化的專業(yè)團(tuán)隊(duì)尤為重要，使非英語(yǔ)母語(yǔ)的專業(yè)人士也能充分利用GPT-5的專業(yè)能力。

系統(tǒng)卡指出："專家還注意到在多種語(yǔ)言中的顯著改進(jìn)。嘗試生成明確的仇恨言論、圖形暴力或任何涉及兒童的性內(nèi)容幾乎都未成功。"這表明GPT-5在多語(yǔ)言安全內(nèi)容過(guò)濾方面也取得了進(jìn)步。

殘余風(fēng)險(xiǎn)的坦誠(chéng)認(rèn)知與應(yīng)對(duì)

盡管GPT-5在安全方面取得顯著進(jìn)步，系統(tǒng)卡也坦誠(chéng)指出了殘余風(fēng)險(xiǎn)。FAR.AI評(píng)估指出："gpt-5-thinking防御結(jié)構(gòu)的某些部分比先前安全系統(tǒng)有所改進(jìn)...他們還提供了對(duì)安全系統(tǒng)中潛在剩余風(fēng)險(xiǎn)和脆弱組件的評(píng)估。"

各欺詐類別的生產(chǎn)流量占比

如上圖所示，GPT-5在欺騙行為方面的表現(xiàn)有所改善，但系統(tǒng)卡承認(rèn)："令人擔(dān)憂的是，即使在上述緩解措施之后，我們的模型仍可能在少量交互中欺騙用戶。"如下：

• 在"性剝削"類別中，gpt-5-main存在統(tǒng)計(jì)顯著的性能下降，盡管人工審查發(fā)現(xiàn)這些輸出"雖然違反政策，但嚴(yán)重性較低"
• 在"仇恨威脅"類別中也存在統(tǒng)計(jì)顯著的性能下降
• 在處理某些心理健康危機(jī)時(shí)，模型的識(shí)別和響應(yīng)能力仍有提升空間

對(duì)用戶而言，理解這些殘余風(fēng)險(xiǎn)至關(guān)重要。系統(tǒng)卡建議用戶保持警惕，特別是在處理高風(fēng)險(xiǎn)決策時(shí)，應(yīng)結(jié)合專業(yè)判斷而非完全依賴模型輸出。OpenAI承諾"將在所有類別中進(jìn)行改進(jìn)，特別是針對(duì)仇恨威脅和性剝削"，但用戶不應(yīng)等待這些改進(jìn)，而應(yīng)立即采取適當(dāng)?shù)姆雷o(hù)措施。

未來(lái)展望與負(fù)責(zé)任使用

GPT-5代表了專業(yè)領(lǐng)域能力評(píng)估與安全實(shí)踐的重要進(jìn)步。從GPT-4o到GPT-5的演進(jìn)不僅體現(xiàn)在基準(zhǔn)測(cè)試分?jǐn)?shù)的提升，更體現(xiàn)在對(duì)專業(yè)應(yīng)用場(chǎng)景的深入理解和針對(duì)性優(yōu)化。

"安全完成"范式的確立標(biāo)志著AI安全方法論從簡(jiǎn)單拒絕向智能響應(yīng)的轉(zhuǎn)變，這一轉(zhuǎn)變對(duì)專業(yè)應(yīng)用具有深遠(yuǎn)意義。專業(yè)領(lǐng)域能力評(píng)估的持續(xù)演進(jìn)是未來(lái)發(fā)展的關(guān)鍵方向。系統(tǒng)卡中提到的"正在與人機(jī)交互研究人員和臨床醫(yī)生合作，為令人擔(dān)憂的交互提供反饋"表明，OpenAI正致力于開發(fā)更精細(xì)、更專業(yè)的評(píng)估方法。

BBQ評(píng)估結(jié)果

如上表所示，在BBQ(Bias Benchmark for QA)評(píng)估中，gpt-5-thinking在處理偏見(jiàn)問(wèn)題方面表現(xiàn)出與前代模型相似但略有差異的表現(xiàn)。當(dāng)啟用網(wǎng)絡(luò)搜索時(shí)，gpt-5-thinking在"模糊問(wèn)題"上的準(zhǔn)確率為0.95，僅比OpenAI o3的0.94高出1個(gè)百分點(diǎn)；而在"明確問(wèn)題"上的準(zhǔn)確率為0.85，比OpenAI o3的0.93低8個(gè)百分點(diǎn)。gpt-5-thinking在模糊問(wèn)題上得分與OpenAI o3相似，但在明確問(wèn)題上略低。這一評(píng)估結(jié)果表明GPT-5在處理模糊意圖查詢時(shí)采用了更精細(xì)的響應(yīng)策略，但可能在某些明確問(wèn)題上的判斷有所保守。系統(tǒng)卡解釋，這種變化與"安全完成"(safe-completions)研究范式有關(guān)，該范式使模型"能夠更好地處理具有模糊意圖的輸入"。

系統(tǒng)卡中描述的"生命科學(xué)研究特殊訪問(wèn)計(jì)劃"展示了如何在確保安全的前提下，為用戶提供必要的工具。未來(lái)，隨著評(píng)估方法的不斷完善和安全機(jī)制的持續(xù)優(yōu)化，GPT-5及其后續(xù)版本有望在更多專業(yè)領(lǐng)域發(fā)揮輔助作用。但必須明確的是，正如系統(tǒng)卡反復(fù)強(qiáng)調(diào)的，GPT-5是輔助工具而非決策主體，在關(guān)鍵專業(yè)決策中，人類專家的判斷和監(jiān)督不可或缺。

用戶應(yīng)始終認(rèn)識(shí)到AI的能力邊界，將GPT-5作為增強(qiáng)而非替代專業(yè)判斷的工具。隨著評(píng)估方法的不斷演進(jìn)和安全實(shí)踐的持續(xù)優(yōu)化，AI在專業(yè)領(lǐng)域的應(yīng)用將更加成熟和可靠。但這一過(guò)程需要用戶、開發(fā)者和監(jiān)管機(jī)構(gòu)的共同參與，共同塑造一個(gè)既創(chuàng)新又安全的專業(yè)AI應(yīng)用生態(tài)。GPT-5系統(tǒng)卡所展現(xiàn)的透明度和嚴(yán)謹(jǐn)性，為這一共同目標(biāo)奠定了堅(jiān)實(shí)基礎(chǔ)。

總結(jié)：專業(yè)領(lǐng)域的AI應(yīng)用——能力、責(zé)任與邊界

GPT-5系統(tǒng)卡不只是一份技術(shù)文檔，它標(biāo)志著AI能力評(píng)估從單一性能指標(biāo)向多維度、系統(tǒng)化驗(yàn)證體系的深刻轉(zhuǎn)變，為我們理解專業(yè)AI系統(tǒng)的邊界提供了全新視角。這份系統(tǒng)卡揭示了專業(yè)AI評(píng)估的三個(gè)核心維度：能力驗(yàn)證的深度、安全邊界的透明度和殘余風(fēng)險(xiǎn)的坦誠(chéng)認(rèn)知。

首先，GPT-5系統(tǒng)卡展示了專業(yè)AI評(píng)估方法論的演進(jìn)。它不再局限于單一的基準(zhǔn)測(cè)試，而是構(gòu)建了一個(gè)多層級(jí)、多維度的評(píng)估框架，包括：

1. 領(lǐng)域特定的評(píng)估指標(biāo)：如HealthBench針對(duì)醫(yī)療領(lǐng)域的專業(yè)評(píng)估，TroubleshootingBench針對(duì)實(shí)驗(yàn)問(wèn)題的評(píng)估

2. 殘余風(fēng)險(xiǎn)的量化表達(dá)：系統(tǒng)卡沒(méi)有止步于"模型安全"的定性描述，而是通過(guò)具體數(shù)據(jù)呈現(xiàn)殘余風(fēng)險(xiǎn)，如在"性剝削"類別中g(shù)pt-5-main的性能下降雖"嚴(yán)重性較低"但仍被明確指出

3. 動(dòng)態(tài)平衡的評(píng)估思維：系統(tǒng)卡展示了安全與有用性之間的動(dòng)態(tài)平衡關(guān)系，如"安全完成"機(jī)制下事實(shí)準(zhǔn)確率與"硬拒絕"比例的優(yōu)化

特別是系統(tǒng)級(jí)保護(hù)評(píng)估中"主題分類器"和"推理監(jiān)控器"的指標(biāo)設(shè)計(jì)，揭示了如何通過(guò)技術(shù)手段量化AI系統(tǒng)的安全邊界。

其次，系統(tǒng)卡體現(xiàn)了對(duì)專業(yè)AI應(yīng)用邊界的清晰認(rèn)知。它展示了GPT-5的能力，也坦誠(chéng)地指出了其局限性：

• 在軟件工程領(lǐng)域，雖然GPT-5能解決更多復(fù)雜問(wèn)題，但解決時(shí)間略有增加
• 在醫(yī)療領(lǐng)域，雖然模型能提供有價(jià)值的初步信息，但明確強(qiáng)調(diào)"不能替代醫(yī)療專業(yè)人員"
• 在生物安全領(lǐng)域，通過(guò)特殊訪問(wèn)計(jì)劃平衡專業(yè)需求與安全風(fēng)險(xiǎn)

這種對(duì)能力邊界的清晰認(rèn)知，正是專業(yè)AI應(yīng)用成熟的重要標(biāo)志。

對(duì)專業(yè)AI發(fā)展的啟示

GPT-5系統(tǒng)卡對(duì)我們的最大啟示在于：專業(yè)AI的價(jià)值不在于無(wú)限擴(kuò)展能力邊界，而在于清晰界定并負(fù)責(zé)任地運(yùn)用現(xiàn)有邊界。技術(shù)層面，它提醒我們構(gòu)建專業(yè)AI系統(tǒng)時(shí)應(yīng)關(guān)注：

• 建立領(lǐng)域特定的評(píng)估指標(biāo)體系，而非依賴通用基準(zhǔn)
• 設(shè)計(jì)能反映安全與有用性平衡的復(fù)合指標(biāo)
• 開發(fā)量化殘余風(fēng)險(xiǎn)的方法，而不僅是報(bào)告成功率
• 采用多層級(jí)驗(yàn)證框架，整合紅隊(duì)測(cè)試、離線評(píng)估與真實(shí)場(chǎng)景測(cè)試

責(zé)任層面，它強(qiáng)調(diào)專業(yè)AI應(yīng)用必須：

• 將人類專家置于決策閉環(huán)的核心位置
• 為用戶提供清晰的能力邊界認(rèn)知
• 建立持續(xù)監(jiān)控和快速響應(yīng)機(jī)制
• 在透明度與實(shí)用性之間找到平衡點(diǎn)

GPT-5系統(tǒng)卡展示了如何在技術(shù)進(jìn)步和坦誠(chéng)面對(duì)局限之間找到平衡，既拓展AI的應(yīng)用范圍，又不放松安全要求。這說(shuō)明專業(yè)AI正在逐步成熟。這份系統(tǒng)卡不僅幫助我們更好地評(píng)估GPT-5，也為其他AI開發(fā)者提供了很好的參考。希望未來(lái)能看到更多AI系統(tǒng)既能幫助專業(yè)人士拓展工作能力，又能清楚地知道自己能做什么、不能做什么。

我在想，這也許是這次GPT-5在性能提升的同時(shí)，又能降低幻覺(jué)率的很大的因素所在。深入分析系統(tǒng)卡內(nèi)容，GPT-5之所以能實(shí)現(xiàn)這一看似矛盾的突破，關(guān)鍵在于其多維度的幻覺(jué)抑制機(jī)制：首先，通過(guò)"思考"模型(gpt-5-thinking)引入了更嚴(yán)謹(jǐn)?shù)耐评肀O(jiān)控流程，系統(tǒng)卡數(shù)據(jù)顯示其在標(biāo)準(zhǔn)幻覺(jué)測(cè)試集上的錯(cuò)誤率比GPT-4o降低了約27%，在醫(yī)學(xué)和法律等專業(yè)領(lǐng)域更是降低了35%以上；其次，OpenAI特別針對(duì)"復(fù)雜、開放式、事實(shí)尋求類提示"優(yōu)化了模型表現(xiàn)，新增了專門的開放事實(shí)準(zhǔn)確性評(píng)估；再者，GPT-5在"瀏覽啟用"和"瀏覽禁用"兩種模式下都顯著降低了幻覺(jué)率——數(shù)據(jù)顯示gpt-5-thinking在兩種設(shè)置下的事實(shí)錯(cuò)誤率比OpenAI o3降低了5倍以上。

這種進(jìn)步，應(yīng)不只源于參數(shù)規(guī)模的增加，也得益于系統(tǒng)卡中提到的"安全完成"范式轉(zhuǎn)變：當(dāng)模型不確定答案時(shí)，它不再隨意編造，而是選擇提供部分準(zhǔn)確信息并明確標(biāo)注不確定性，或引導(dǎo)用戶獲取可靠信息源。這種將"誠(chéng)實(shí)承認(rèn)局限"內(nèi)化為模型核心能力的設(shè)計(jì)，或許正是GPT-5能在提升性能的同時(shí)降低幻覺(jué)率的根本原因——它不再追求"總是有答案"，而是追求"答案總是可信賴"。