ИИтак
Поиск

← Назад

модель · OpenAI · вышла 7 августа 2025

GPT-5

Устаревшая рассуждающая модель OpenAI для программирования, агентов и работы с текстом, первая в линейке GPT-5

О модели

GPT-5 — первая модель линейки GPT-5 от OpenAI. Она рассуждает перед ответом, умеет вызывать внешние инструменты и понимает картинки на входе. В ChatGPT под этим названием работала целая система: быстрая модель для простых вопросов, рассуждающая модель для сложных и распределитель, который выбирает между ними. Через API идентификатор gpt-5 даёт доступ к рассуждающей модели. Рядом вышли облегчённые версии gpt-5-mini и gpt-5-nano.

Главным сценарием OpenAI называла программирование и агентные задачи, то есть многошаговую работу с инструментами без участия человека. По замерам компании, на бенчмарке SWE-bench Verified, где модель чинит реальные ошибки в программных проектах, GPT-5 набрала 74,9% против 69,1% у предшественницы o3. При этом, как заявляет OpenAI, ей понадобилось на 22% меньше токенов ответа и на 45% меньше вызовов инструментов, чем o3 с высоким уровнем рассуждений.

Разработчикам модель дала новые настройки. Глубину рассуждений можно выбрать из четырёх уровней, от минимального до высокого: чем меньше рассуждений, тем быстрее и дешевле ответ. Отдельный параметр задаёт, насколько подробно модель отвечает. А собственные инструменты модель может вызывать простым текстом, без сложного экранирования символов в формате JSON.

Сегодня GPT-5 — модель прошлого поколения. В документации OpenAI помечает её как устаревшую и советует переходить на GPT-6 Astra. После неё вышло несколько версий линейки, вплоть до GPT-5.6, и в рейтинге Epoch она уже далеко от вершины. Её знания заканчиваются сентябрём 2024 года, так что о более поздних событиях она без поиска не знает.

источники:Анонс GPT-5 для разработчиков ↗Анонс GPT-5 ↗Страница модели в документации OpenAI ↗

Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗

весь рейтинг

49место из 268индекс 150вероятный разброс 0–0

  • DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗84,4%высокое
  • LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗47,0%высокое
  • Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗15,2%среднее
  • EBR-benchУчится ли модель на опыте: она раз за разом играет в малоизвестную карточную настольную игру Earthborne Rangers и ведёт заметкиБалл — доля из 21 игровой цели в лучшей из двух итоговых партий после тренировочных; сам по себе он не показывает, выросла ли модель.Подробнее на английском ↗12,7%высокое
  • FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗22,0%высокое
  • FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗55,4%низкое
  • ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗18,0%высокое
  • Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗33,7%
  • Remote Labor IndexНастоящие заказы с фриланс-площадок — дизайн, архитектура, анализ данных, программирование — выполняемые агентом целикомЧисло — доля заказов, выполненных так, что заказчик принял бы работу; даже у лидеров это немного.Подробнее на английском ↗1,7%
  • GDPvalРеальные рабочие задачи из 44 профессий — юридические записки, таблицы, слайды, планы ухода; результат оценивают экспертыЧисло — доля задач, где эксперты сочли работу модели не хуже работы профессионала; 50% означает паритет с человеком.Подробнее на английском ↗34,8%среднее
  • SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗50,1%высокое
  • DeepResearch Bench100 исследовательских заданий уровня аспирантуры из 22 областей: агент ищет в интернете и пишет аналитический отчёт со ссылкамиБалл — не доля верных ответов: модель-судья оценивает качество отчёта в сравнении с эталонным, отдельно проверяются ссылки.Подробнее на английском ↗49,6%низкое
  • GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗6,9%высокое
  • Terminal BenchЗадачи в командной строке по мотивам реальной работы: агент сам выполняет их в терминале, результат проверяют автотестыПодробнее на английском ↗49,6%
  • ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗9,9%высокое
  • METR Time HorizonsНасколько долгие для человека задачи по программированию, машинному обучению и кибербезопасности агент решает самостоятельноРезультат — не процент, а время: длительность задачи (по времени работы эксперта), которую модель решает примерно в половине случаев.Подробнее на английском ↗69,6%высокое
  • GeoBenchПо фотографии улицы, как в игре GeoGuessr, модель должна угадать страну и точные координаты местаРезультат — очки, а не проценты: до 5000 за раунд, и чем дальше догадка от настоящего места, тем меньше очков.Подробнее на английском ↗81,0%среднее
  • Fiction.LiveBenchВопросы по длинным художественным текстам: понять мотивы героев, порядок событий и сделать выводы из всего сюжетаРезультат зависит от длины текста: с ростом объёма точность обычно падает, поэтому сравнивать стоит при одинаковой длине.Подробнее на английском ↗97,2%среднее
  • Lech Mazur WritingКороткие рассказы, в которые надо органично вплести десять заданных элементов: персонажа, предмет, место, мотив, тон и другиеБалл относительный: модели-судьи сравнивают рассказы попарно, ноль — примерно середина сравниваемых моделей, а не процент.Подробнее на английском ↗86,0%среднее
  • VPCTПо картинке с горками и препятствиями модель должна предсказать, в какое из трёх вёдер упадёт шарикВёдер три, поэтому наугад можно набрать около 33%; люди в проверке решили все задачи.Подробнее на английском ↗49,0%высокое
  • HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗21,6%высокое
  • WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗60,7%высокое
  • Aider polyglot225 трудных задач по программированию с Exercism на C++, Go, Java, JavaScript, Python и Rust; решение проверяют тестыДаются две попытки: после неудачи модель видит результаты тестов и исправляет код; засчитывается итог второй попытки.Подробнее на английском ↗88,0%низкое
  • OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗91,4%
  • BalrogМодель играет в шесть текстовых и клеточных игр, от простых головоломок до NetHack, где нужно выжить и продвинутьсяБалл — средний прогресс от 0 до 100 по всем играм; в NetHack даже лидеры продвигаются очень мало.Подробнее на английском ↗32,8%
  • SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗48,0%высокое
  • SWE-Bench verifiedНастоящие задачи из GitHub по проектам на Python: модель правит код, а тесты проверяют, решена ли проблемаПо оценке Epoch, в 5–10% задач есть ошибки, поэтому 100% недостижимы; Epoch считает результат по 484 задачам из 500.Подробнее на английском ↗73,6%высокое
  • GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗81,6%
  • MATH level 5Самые трудные задачи (5-й уровень) из набора MATH — задачи американских школьных олимпиад AMC 10, AMC 12 и AIMEТест близок к насыщению: у сильных моделей результаты почти одинаковые и высокие, разница в несколько пунктов мало что значит.Подробнее на английском ↗98,1%высокое
  • ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗65,7%высокое

Новости о модели

все упоминания · 78

  1. OpenAI открыла доступ к модели GPT-5.6 Cyber в облаке для госструктур США

    С одобрения OpenAI клиенты облака Amazon для госструктур США могут использовать GPT-5.6 Cyber в регионе US-East через сервис ИИ-моделей Amazon Bedrock для разрешённых задач кибербезопасности.

  2. Уязвимости в PHP независимо нашли две команды с моделями OpenAI и Google

    Две критические уязвимости в самом PHP позволяют без входа в систему запустить свой код на сайте; их независимо нашли исследователь фирмы по кибербезопасности Calif с GPT-5.6 Sol и команда Wiz из Google Cloud.

  3. Связка GPT-5.5 и дешёвой модели Jev ловит ошибки рецензентов за полцены

    Метод PremiseCheck дробит комментарий рецензента на простые утверждения и сверяет их со статьёй с помощью дешёвой модели Jev: точность сопоставима с GPT-5.5 примерно за полцены.

  4. Google заплатила компании XBOW 250 тыс. долларов за уязвимости Chrome, найденные с GPT-5.6 Sol

    Исследователь компании XBOW с ИИ-агентами на модели OpenAI GPT-5.6 Sol за шесть дней собрал цепочку уязвимостей Chrome, потратив 40 тыс. долларов на вычисления, а Google заплатила за неё 250 тыс. долларов.

  5. Утилита Уиллисона по умолчанию считает длину текста для GPT-5 и GPT-6, а не GPT-4

    Утилита Уиллисона по умолчанию делит текст на токены так же, как GPT-5 и GPT-6, а от числа этих кусочков зависят цена запроса и то, уместится ли текст в модель. Что GPT-5 и GPT-6 делят текст одинаково, OpenAI не подтверждала.

  6. 14 октября GPT-5.5 уберут из ChatGPT и Codex, но через API модель останется

    С 14 октября GPT-5.5 пропадёт из ChatGPT, ChatGPT Work и Codex на всех тарифах. Через платформу OpenAI API и в Codex при входе по ключу API ею можно будет пользоваться и дальше.

Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).