Tech Meridian← ВСЕ МОДЕЛИ
PROМОЙ MERIDIAN

OPENAI · ТРЕКЕР МОДЕЛИ

GPT-5

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.

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 · 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