Το OpenAI φέρνει το GPT-5 στο API σε τρία μεγέθη μοντέλου, με νέα στοιχεία ελέγχου μορφοποίησης και συλλογιστικής

Το μοντέλο του API δεν είναι το μοντέλο του ChatGPT

Η πιο κρίσιμη λεπτομέρεια για όποιον χτίζει πάνω στην πλατφόρμα βρίσκεται κρυμμένη πέρα από τα benchmark: το GPT-5 στο API είναι το μοντέλο συλλογιστικής, όχι το σύστημα δρομολόγησης-συν-μη-συλλογιστικού μοντέλου που παρουσιάζει το ChatGPT στους καταναλωτές. Το OpenAI είναι ξεκάθαρο ότι το gpt-5 με ελάχιστη συλλογιστική είναι διαφορετικό μοντέλο από τη μη-συλλογιστική διαδρομή του ChatGPT, και ότι το μη-συλλογιστικό μοντέλο του ChatGPT διατίθεται ξεχωριστά ως gpt-5-chat-latest.

Αυτό έχει σημασία γιατί δείχνει στους προγραμματιστές τι ακριβώς καλούν. Το ChatGPT αποκρύπτει την επιλογή μοντέλου πίσω από έναν δρομολογητή· το API σας δίνει απευθείας τη μηχανή συλλογιστικής και σας ζητά να διαχειριστείτε μόνοι σας τα trade-off. Τα τρία μεγέθη —gpt-5, gpt-5-mini, gpt-5-nano— υπάρχουν ακριβώς για να παίρνετε εσείς αυτές τις αποφάσεις κόστους, καθυστέρησης και ποιότητας ανά κλήση, αντί να τις αναθέτετε σε έναν αδιαφανή δρομολογητή.

Οι ισχυρισμοί περί αποδοτικότητας συνυπάρχουν με τους ισχυρισμούς περί σκορ

Το GPT-5 σημειώνει 74,9% στο SWE-bench Verified, από 69,1% του o3, και 88% στο Aider polyglot, το οποίο το OpenAI παρουσιάζει ως μείωση κατά ένα τρίτο στο ποσοστό σφαλμάτων. Ωστόσο, ο αριθμός που το OpenAI επέλεξε να τονίσει δίπλα στο νούμερο του SWE-bench αφορά την κατανάλωση: σε σχέση με το o3 σε υψηλή προσπάθεια συλλογιστικής, το GPT-5 χρησιμοποιεί 22% λιγότερα output tokens και 45% λιγότερες κλήσεις εργαλείων για να φτάσει στο σκορ του.

Για φόρτους εργασίας με πράκτορες που αλυσιδώνουν δεκάδες κλήσεις εργαλείων, οι λιγότερες κλήσεις και τα λιγότερα tokens μεταφράζονται απευθείας σε μικρότερους λογαριασμούς και μικρότερη καθυστέρηση. Το αποτέλεσμα στο τ2-bench telecom —96,7%, σε ένα πεδίο όπου κανένα μοντέλο δεν είχε ξεπεράσει το 49% δύο μήνες πριν— είναι ο κύριος ισχυρισμός για πράκτορες, αλλά η πρακτική ανάγνωση είναι ότι η ίδια εκτέλεση benchmark κοστίζει λιγότερο ανά προσπάθεια. Το OpenAI επιχειρηματολογεί με βάση την οικονομία της μονάδας, όχι μόνο τη δυνατότητα.

Αξίζει να σημειωθεί η σημείωση ειλικρίνειας: το OpenAI παρέλειψε 23 από τα 500 προβλήματα του SWE-bench που δεν θα εκτελούνταν στην υποδομή του και δημοσιοποίησε τα ακριβή IDs των εργασιών, ενώ άλλαξε τον βαθμολογητή MultiChallenge από το GPT-4o στο o3-mini επειδή ο προεπιλεγμένος βαθμολογητής βαθμολογούσε λάθος τις απαντήσεις. Αυτά είναι το είδος των επιφυλάξεων που καθορίζουν αν ένα benchmark αναπαράγεται στο δικό σας περιβάλλον δοκιμών.

Τα custom tools ανταλλάσσουν την αξιοπιστία του JSON με γραμματικές απλού κειμένου

Ο νέος τύπος custom tools αντιμετωπίζει ένα συγκεκριμένο πρόβλημα αποτυχίας και όχι ένα μάρκετινγκ ζήτημα. Το OpenAI σημειώνει ότι ένα έγκυρο JSON απαιτεί από το μοντέλο να κάνει escape σε κάθε εισαγωγικό, ανάστροφη κάθετο, νέα γραμμή και χαρακτήρα ελέγχου, και ότι σε μεγάλες εισόδους —εκατοντάδες γραμμές κώδικα ή μια αναφορά πέντε σελίδων— οι πιθανότητες κακοσχηματισμένου escape αυξάνονται. Τα custom tools επιτρέπουν στο GPT-5 να παράγει εισόδους εργαλείων ως απλό κείμενο, περιοριζόμενο από ένα regex που παρέχει ο προγραμματιστής ή από μια πλήρη ανεξάρτητη-από-συμφραζόμενα γραμματική.

Το OpenAI αναφέρει ότι το GPT-5 σημειώνει περίπου το ίδιο σκορ στο SWE-bench Verified είτε χρησιμοποιεί custom tools είτε JSON tools, κάτι που είναι ακριβώς το νόημα: το χαρακτηριστικό δεν αποσκοπεί στην αύξηση του σκορ αλλά στην εξάλειψη μιας κατηγορίας σφαλμάτων ανάλυσης σε μεγάλες εξόδους. Σε συνδυασμό με την ελάχιστη τιμή reasoning_effort και την παράμετρο verbosity, η έκδοση αποτελεί ουσιαστικά ένα σύνολο ρυθμίσεων που επιτρέπουν στους προγραμματιστές να προσαρμόζουν την ταχύτητα, το μήκος εξόδου και την αξιοπιστία μορφοποίησης ανά εργασία.

Ένα παράθυρο περιεχομένου 400K και χαμηλότερα ποσοστά παραισθήσεων στοχεύουν σε πράκτορες ευαίσθητους στην ορθότητα

Κάθε μοντέλο GPT-5 στο API δέχεται έως 272.000 input tokens και παράγει έως 128.000 tokens συλλογιστικής-και-εξόδου, για συνολικά 400.000 tokens. Το OpenAI συνδύασε αυτό με αποτελέσματα ανάκτησης μεγάλου context—89% ορθότητα στο BrowseComp Long Context σε 128K–256K tokens—και έναν ισχυρισμό για περίπου 80% λιγότερα πραγματολογικά σφάλματα σε σχέση με το o3 σε prompts LongFact και FactScore, με το αναφερόμενο ποσοστό παραισθήσεων LongFact-Objects να μειώνεται από 6,8% του o3 σε 1,2%.

Η συγκεκριμένη συνέπεια είναι ότι το OpenAI τοποθετεί το GPT-5 για συστήματα πρακτόρων όπου μια λανθασμένη απάντηση διαδίδεται μέσω επόμενων κλήσεων εργαλείων —αλλαγές κώδικα, λειτουργίες δεδομένων, ενέργειες εξυπηρέτησης πελατών σε μεταβλητή κατάσταση. Τα φθηνότερα tokens και οι λιγότερες κλήσεις μειώνουν το κόστος λειτουργίας τέτοιων πρακτόρων· τα χαμηλότερα ποσοστά παραισθήσεων και τα προεισαγωγικά μηνύματα μεταξύ κλήσεων εργαλείων αποσκοπούν στο να κάνουν τη συμπεριφορά τους ελέγξιμη. Η τιμολόγηση —1,25 δολάρια ανά εκατομμύριο input tokens και 10 δολάρια ανά εκατομμύριο output για το gpt-5, έως 0,05 και 0,40 δολάρια για το nano— επιτρέπει στις ομάδες να κατευθύνουν τη φθηνή ανάκτηση και τα απλά βήματα σε μικρότερα μοντέλα, διατηρώντας το πλήρες μοντέλο για τα βήματα όπου η ορθότητα πραγματικά κοστίζει.