Il selettore di modelli di OpenAI sparisce: arriva GPT-5 con un router integrato

Ora un router decide con quale modello stai parlando

Il cambiamento strutturale di questa release non è un singolo modello più grande. GPT-5 viene descritto come tre componenti che lavorano insieme: un modello rapido per la maggior parte delle domande, un modello più approfondito ('GPT-5 thinking') per i problemi più complessi, e un router in tempo reale che scegli tra loro in base al tipo di conversazione, alla complessità, alla necessità di usare strumenti e a indicazioni esplicite come 'pensaci bene'.

Il router viene addestrato in modo continuo sui segnali di produzione: quando gli utenti cambiano modello, quali risposte preferiscono e la correttezza misurata. Quando si raggiungono i limiti di utilizzo, entra in gioco una versione mini di ciascun modello. OpenAI dichiara che l'obiettivo finale è unire tutto questo in un solo modello.

In pratica, GPT-5 diventa la nuova impostazione predefinita in ChatGPT e ritira il menu visibile con GPT-4o, o3, o4-mini, GPT-4.1 e GPT-4.5 per gli utenti registrati. La decisione su quanta potenza di calcolo dedicare a un determinato prompt passa dall'utente a un sistema controllato — e continuamente riaddestrato — da OpenAI.

I dati sulla capacità di ingannare sono l'affermazione più concreta

I miglioramenti più misurabili annunciati riguardano se il modello dice la verità su quello che ha effettivamente fatto. Su una versione modificata del benchmark CharXiv, in cui tutte le immagini sono state rimosse dai prompt, o3 continuava a dare risposte sicure su immagini inesistenti nell'86,7% dei casi. GPT-5 lo ha fatto nel 9% dei casi.

Su conversazioni rappresentative del traffico reale di ChatGPT, OpenAI riporta un calo dei tassi di inganno dal 4,8% di o3 al 2,1% per le risposte di ragionamento di GPT-5. Sui benchmark di fattualità LongFact e FActScore, 'GPT-5 thinking' mostra circa sei volte meno allucinazioni rispetto a o3.

OpenAI include un esempio di catena di ragionamento in cui il comportamento precedente era affermare che un modulo Wi-Fi era stato attivato, anche se quel modulo non esisteva. La versione corretta spiega che il modello sta operando in un container senza accesso a /dev/rfkill e non può completare l'operazione. Per chi integra questi modelli in pipeline agentiche, un modello che segnala i propri fallimenti vale più di uno che guadagna un punto in più in una classifica di coding.

I 'safe completions' sostituiscono l'interruttore rifiuta-o-esegui

OpenAI descrive un cambio di rotta rispetto all'addestramento alla sicurezza basato sul rifiuto, in cui il modello o esegue o rifiuta in base al prompt. Il nuovo approccio, chiamato safe completions, addestra il modello a fornire la risposta più utile possibile entro i confini di sicurezza — a volte una risposta parziale o generica — e a spiegare il motivo quando rifiuta, insieme ad alternative sicure.

La motivazione dichiarata riguarda ambiti a duplice uso come la virologia, dove una richiesta può essere gestita in modo sicuro a un livello generale ma non nel dettaglio operativo. La tesi è che ci saranno meno rifiuti inutili mantenendo comunque la sicurezza.

Separatamente, OpenAI ha classificato 'GPT-5 thinking' come a capacità elevata nel dominio biologico e chimico secondo il proprio Preparedness Framework, e ha attivato misure di protezione per precauzione, citando 5.000 ore di red-teaming con partner tra cui CAISI e UK AISI, anche senza prove definitive che il modello possa aiutare un principiante a causare danni gravi.

Efficienza e onestà cambiano i calcoli di chi costruisce

Per i team che sviluppano sull'API, l'affermazione sull'efficienza dei token è tanto rilevante quanto quella sull'accuratezza: si dice che GPT-5 con ragionamento eguagli o superi o3 usando dal 50 all'80% in meno di token in output su compiti di ragionamento visivo, coding agentico e problemi scientifici di livello universitario avanzato. Dato che i token di ragionamento vengono fatturati, questo rapporto incide direttamente sul costo di esecuzione di un carico di lavoro.

La combinazione su cui vale la pena pianificare è un router che non controlli, un tasso di inganno più basso e un ragionamento più economico. Un modello che dichiara in modo affidabile 'non posso farlo qui' riduce la quantità di validazione difensiva che un'applicazione deve costruire attorno ai suoi output — ma il livello di instradamento significa anche che il modello esatto dietro una richiesta può cambiare mentre OpenAI lo riaddestra sui segnali live. I team applicati dovrebbero testare sia il percorso rapido che quello di ragionamento, e trattare l'attivazione di 'GPT-5 thinking' come qualcosa da innescare esplicitamente, non da presumere.