GPT-5 — версия семейства GPT, оценённая на бенчмарке XYBench и включённая в анализ OpenAI по обозреваемости моделей между GPT-5 и GPT-6.
ТЕКУЩИЙ СНИМОК2/5 РАЗДЕЛОВ С ДАННЫМИ
Главные характеристики в одном месте.
ЦЕНА
Ориентировочная стоимость за сложный случайОриентировочно $8 400 за случай при запуске GPT-5 в одиночку с коротким базовым запросом (оценка в симуляции Microsoft).
Влияние DxO на стоимость (сложные случаи)При сочетании с Microsoft DxO ориентировочная стоимость GPT-5 за сложный случай снизилась примерно на $3 000.
КОНТЕКСТ
Не установлено по доступным источникам.
МОДАЛЬНОСТИ
Не установлено по доступным источникам.
БЕНЧМАРКИ
Включена в эталонное исследование по теоретическим задачамGPT-5 была среди моделей OpenAI (o1, o3, GPT-5, GPT-5.1, GPT-5.4 и GPT-5.5), оценённых на задачах, взятых из научных статей, опубликованных с декабря 2025 по май 2026 года; области включали теорию вероятностей, теорию статистики, экономическую теорию, теорию высоких энергий, гравитацию и космологию, а также квантовую физику.
Коэффициент успеха при создании выполняемых планов для многокомпонентных CPS с использованием GPT-5Заявленный коэффициент успеха 87,9% в семи разнородных сценариях многокомпонентных кибер‑физических систем при использовании GPT-5 в иерархической системе планирования с обратной связью, предложенной авторами.
Точность по сложным случаям (симуляция, NEJM)GPT-5 показал 78,9% правильных ответов по сложным случаям в симуляции при использовании в одиночку с коротким базовым запросом.
Влияние DxO на точность (сложные случаи)При сочетании с DxO точность GPT-5 по сложным случаям увеличилась примерно на четыре процентных пункта.
Бенчмарк: HandMeThat v2 (FISER против CEMIR)GPT-5 был оценён в сравнительном исследовании FISER и CEMIR на бенчмарке HandMeThat v2; авторы сообщают об отсутствии статистически значимой разницы в производительности между FISER и CEMIR для GPT-5 на всех уровнях сложности.
Ограничение ускорения в рабочем процессе «проверять каждый вывод»В рабочем процессе GDPval «проверять каждый вывод» время проверки ограничивает ускорение GPT-5 значением 3,6×.
Обнаружение манипулирования вознаграждением (при 5% ложных срабатываний)В оценке MALT от METR (при 5% уровне ложных срабатываний) GPT-5 выявил почти 98% случаев манипулирования вознаграждением.
Включён в оценку MALT от METRGPT-5 (и GPT-5 nano) были проанализированы METR в исследованиях с использованием набора данных MALT.
Результаты на XYBench (работа с ошибочными предпосылками)Оценивался на бенчмарке XYBench; GPT-5 часто предлагал решение, но склонялся к исходному, ошибочному подходу пользователя и реже, чем человеческие эталонные ответы, переводил пользователя на альтернативное решение, лучше соответствующее реальной цели.
ДОСТУПНОСТЬ
Не установлено по доступным источникам.
ПРОВЕРЯЕМЫЕ ФАКТЫ
Каждое значение привязано к источнику и дате.
ВОЗМОЖНОСТИ · Удобство по сравнению с GPT-4ДАННЫЕ РАЗРАБОТЧИКА
GPT-5 проще в использовании, чем GPT-4, но всё ещё требует большого объёма обратной связи.
РЕЛИЗ · Обновления внутри поколенияДАННЫЕ РАЗРАБОТЧИКА
Улучшения внутри поколения (например, от GPT 5.1 к 5.2) происходят за счёт специализированных данных обучения и намеренно являются краткосрочными инкрементальными ставками.
БЕНЧМАРКИ · Включена в эталонное исследование по теоретическим задачамДАННЫЕ РАЗРАБОТЧИКА
GPT-5 была среди моделей OpenAI (o1, o3, GPT-5, GPT-5.1, GPT-5.4 и GPT-5.5), оценённых на задачах, взятых из научных статей, опубликованных с декабря 2025 по май 2026 года; области включали теорию вероятностей, теорию статистики, экономическую теорию, теорию высоких энергий, гравитацию и космологию, а также квантовую физику.
ОГРАНИЧЕНИЯ · Тест использовал решения, опубликованные после отсечения обучения моделей; доступ в интернет был заблокированДАННЫЕ РАЗРАБОТЧИКА
В исследовании в качестве «истины» использовались решения, опубликованные после отсечения обучения для GPT-5.5 и предшествующих моделей, что означает, что GPT-5 и другие тестированные модели не могли полагаться на эти решения как на обучающие данные; исследователи также отключили доступ в интернет во время тестирования, чтобы модели не могли искать решения онлайн.
БЕНЧМАРКИ · Коэффициент успеха при создании выполняемых планов для многокомпонентных CPS с использованием GPT-5НЕЗАВИСИМО ПОДТВЕРЖДЕНО
Заявленный коэффициент успеха 87,9% в семи разнородных сценариях многокомпонентных кибер‑физических систем при использовании GPT-5 в иерархической системе планирования с обратной связью, предложенной авторами.
БЕНЧМАРКИ · Точность по сложным случаям (симуляция, NEJM)ДАННЫЕ РАЗРАБОТЧИКА
GPT-5 показал 78,9% правильных ответов по сложным случаям в симуляции при использовании в одиночку с коротким базовым запросом.
ЦЕНЫ · Ориентировочная стоимость за сложный случайДАННЫЕ РАЗРАБОТЧИКА
Ориентировочно $8 400 за случай при запуске GPT-5 в одиночку с коротким базовым запросом (оценка в симуляции Microsoft).
ВОЗМОЖНОСТИ · В числе лучших моделей в тестах MAI-DxOДАННЫЕ РАЗРАБОТЧИКА
Microsoft сообщила, что MAI-DxO показала лучшие результаты при использовании GPT-5 (и GPT-5.5) OpenAI среди протестированных моделей.
ЦЕНЫ · Влияние DxO на стоимость (сложные случаи)ДАННЫЕ РАЗРАБОТЧИКА
При сочетании с Microsoft DxO ориентировочная стоимость GPT-5 за сложный случай снизилась примерно на $3 000.
БЕНЧМАРКИ · Влияние DxO на точность (сложные случаи)ДАННЫЕ РАЗРАБОТЧИКА
При сочетании с DxO точность GPT-5 по сложным случаям увеличилась примерно на четыре процентных пункта.
ОГРАНИЧЕНИЯ · Ограниченное улучшение для случаев неотложной помощиДАННЫЕ РАЗРАБОТЧИКА
В случаях неотложной помощи наблюдалось незначительное улучшение ни по точности, ни по стоимости при сравнении GPT-5 в одиночку и GPT-5 в сочетании с DxO.
БЕНЧМАРКИ · Бенчмарк: HandMeThat v2 (FISER против CEMIR)НЕЗАВИСИМО ПОДТВЕРЖДЕНО
GPT-5 был оценён в сравнительном исследовании FISER и CEMIR на бенчмарке HandMeThat v2; авторы сообщают об отсутствии статистически значимой разницы в производительности между FISER и CEMIR для GPT-5 на всех уровнях сложности.
БЕНЧМАРКИ · Ограничение ускорения в рабочем процессе «проверять каждый вывод»НЕЗАВИСИМО ПОДТВЕРЖДЕНО
В рабочем процессе GDPval «проверять каждый вывод» время проверки ограничивает ускорение GPT-5 значением 3,6×.
ОГРАНИЧЕНИЯ · Данные для обучения собраны до протестированных отчетов SECНЕЗАВИСИМО ПОДТВЕРЖДЕНО
В статье указано, что в эксперименте использовались материалы, составленные по отчётам SEC, появившимся после сбора данных для обучения модели (отчёты датируются позже сбора обучающих данных модели).
БЕНЧМАРКИ · Обнаружение манипулирования вознаграждением (при 5% ложных срабатываний)ДАННЫЕ РАЗРАБОТЧИКА
В оценке MALT от METR (при 5% уровне ложных срабатываний) GPT-5 выявил почти 98% случаев манипулирования вознаграждением.
БЕНЧМАРКИ · Включён в оценку MALT от METRДАННЫЕ РАЗРАБОТЧИКА
GPT-5 (и GPT-5 nano) были проанализированы METR в исследованиях с использованием набора данных MALT.
БЕНЧМАРКИ · Результаты на XYBench (работа с ошибочными предпосылками)ДАННЫЕ РАЗРАБОТЧИКА
Оценивался на бенчмарке XYBench; GPT-5 часто предлагал решение, но склонялся к исходному, ошибочному подходу пользователя и реже, чем человеческие эталонные ответы, переводил пользователя на альтернативное решение, лучше соответствующее реальной цели.
БЕЗОПАСНОСТЬ · Включён в анализ обозреваемости OpenAIДАННЫЕ РАЗРАБОТЧИКА
GPT-5 была включена в анализ OpenAI по обозреваемости моделей (исследование охватывало модели от GPT-5 до GPT-6 Astra); исследователи отслеживали ранние признаки, такие как «молчаливое» рассуждение без цифрового черновика (No-CoT Capability) и управляемость цепочек рассуждений (CoT Controllability).
ЧТО ИЗМЕНИЛОСЬ
Сохранённые версии паспорта, без догадок задним числом.
Паспорт обновлён18 фактов
БЕЗОПАСНОСТЬ · Включён в анализ обозреваемости OpenAI+ GPT-5 была включена в анализ OpenAI по обозреваемости моделей (исследование охватывало модели от GPT-5 до GPT-6 Astra); исследователи отслеживали ранние признаки, такие как «молчаливое» рассуждение без цифрового черновика (No-CoT Capability) и управляемость цепочек рассуждений (CoT Controllability).
БЕНЧМАРКИ · Результаты на XYBench (работа с ошибочными предпосылками)+ Оценивался на бенчмарке XYBench; GPT-5 часто предлагал решение, но склонялся к исходному, ошибочному подходу пользователя и реже, чем человеческие эталонные ответы, переводил пользователя на альтернативное решение, лучше соответствующее реальной цели.
Паспорт обновлён16 фактов
БЕНЧМАРКИ · Включён в оценку MALT от METR+ GPT-5 (и GPT-5 nano) были проанализированы METR в исследованиях с использованием набора данных MALT.
БЕНЧМАРКИ · Обнаружение манипулирования вознаграждением (при 5% ложных срабатываний)+ В оценке MALT от METR (при 5% уровне ложных срабатываний) GPT-5 выявил почти 98% случаев манипулирования вознаграждением.
Паспорт обновлён14 фактов
БЕНЧМАРКИ · Ограничение ускорения в рабочем процессе «проверять каждый вывод»+ В рабочем процессе GDPval «проверять каждый вывод» время проверки ограничивает ускорение GPT-5 значением 3,6×.
ОГРАНИЧЕНИЯ · Данные для обучения собраны до протестированных отчетов SEC+ В статье указано, что в эксперименте использовались материалы, составленные по отчётам SEC, появившимся после сбора данных для обучения модели (отчёты датируются позже сбора обучающих данных модели).
Паспорт обновлён12 фактов
БЕНЧМАРКИ · Бенчмарк: HandMeThat v2 (FISER против CEMIR)+ GPT-5 был оценён в сравнительном исследовании FISER и CEMIR на бенчмарке HandMeThat v2; авторы сообщают об отсутствии статистически значимой разницы в производительности между FISER и CEMIR для GPT-5 на всех уровнях сложности.
Паспорт обновлён11 фактов
ЦЕНЫ · Ориентировочная стоимость за сложный случай+ Ориентировочно $8 400 за случай при запуске GPT-5 в одиночку с коротким базовым запросом (оценка в симуляции Microsoft).
БЕНЧМАРКИ · Влияние DxO на точность (сложные случаи)+ При сочетании с DxO точность GPT-5 по сложным случаям увеличилась примерно на четыре процентных пункта.
ЦЕНЫ · Влияние DxO на стоимость (сложные случаи)+ При сочетании с Microsoft DxO ориентировочная стоимость GPT-5 за сложный случай снизилась примерно на $3 000.
ОГРАНИЧЕНИЯ · Ограниченное улучшение для случаев неотложной помощи+ В случаях неотложной помощи наблюдалось незначительное улучшение ни по точности, ни по стоимости при сравнении GPT-5 в одиночку и GPT-5 в сочетании с DxO.
ВОЗМОЖНОСТИ · В числе лучших моделей в тестах MAI-DxO+ Microsoft сообщила, что MAI-DxO показала лучшие результаты при использовании GPT-5 (и GPT-5.5) OpenAI среди протестированных моделей.
БЕНЧМАРКИ · Точность по сложным случаям (симуляция, NEJM)+ GPT-5 показал 78,9% правильных ответов по сложным случаям в симуляции при использовании в одиночку с коротким базовым запросом.
Паспорт обновлён5 фактов
БЕНЧМАРКИ · Коэффициент успеха при создании выполняемых планов для многокомпонентных CPS с использованием GPT-5+ Заявленный коэффициент успеха 87,9% в семи разнородных сценариях многокомпонентных кибер‑физических систем при использовании GPT-5 в иерархической системе планирования с обратной связью, предложенной авторами.
Паспорт обновлён4 фактов
БЕНЧМАРКИ · Включена в эталонное исследование по теоретическим задачам+ GPT-5 была среди моделей OpenAI (o1, o3, GPT-5, GPT-5.1, GPT-5.4 и GPT-5.5), оценённых на задачах, взятых из научных статей, опубликованных с декабря 2025 по май 2026 года; области включали теорию вероятностей, теорию статистики, экономическую теорию, теорию высоких энергий, гравитацию и космологию, а также квантовую физику.
ОГРАНИЧЕНИЯ · Тест использовал решения, опубликованные после отсечения обучения моделей; доступ в интернет был заблокирован+ В исследовании в качестве «истины» использовались решения, опубликованные после отсечения обучения для GPT-5.5 и предшествующих моделей, что означает, что GPT-5 и другие тестированные модели не могли полагаться на эти решения как на обучающие данные; исследователи также отключили доступ в интернет во время тестирования, чтобы модели не могли искать решения онлайн.
Паспорт создан2 фактов
Optional analytics
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.