O router do GPT-5, da OpenAI, integra o seletor de modelos

Um router decide agora com que modelo se está a falar

A mudança estrutural nesta versão não é um único modelo maior. O GPT-5 é descrito como três partes a funcionar em conjunto: um modelo rápido para a maioria das perguntas, um modelo mais profundo, o 'GPT-5 thinking', para problemas mais difíceis, e um router em tempo real que escolhe entre eles com base no tipo de conversa, na complexidade, nas necessidades de ferramentas e em pistas explícitas como 'pensa bem nisto'.

O router é treinado continuamente com sinais de produção — quando os utilizadores mudam de modelo, que respostas preferem e a correção medida das mesmas. Quando os limites de utilização são atingidos, entra em ação uma versão mini de cada modelo. A OpenAI afirma que o plano é, eventualmente, fundir tudo isto num único modelo.

Na prática, o GPT-5 passa a ser a nova predefinição no ChatGPT e faz desaparecer o menu visível com GPT-4o, o3, o4-mini, GPT-4.1 e GPT-4.5 para utilizadores com sessão iniciada. A decisão sobre quanta capacidade de computação gastar num determinado pedido deixa de estar nas mãos do utilizador e passa para um sistema controlado pela OpenAI e sujeito a reciclagem constante.

Os números sobre deceção são a afirmação mais concreta

As melhorias mais mensuráveis do anúncio dizem respeito a saber se o modelo diz a verdade sobre o que fez. Numa versão modificada do benchmark CharXiv, em que todas as imagens foram removidas dos pedidos, o o3 continuava a dar respostas confiantes sobre imagens inexistentes em 86,7% dos casos. O GPT-5 fê-lo em 9% dos casos.

Em conversas representativas do tráfego real do ChatGPT, a OpenAI reporta uma queda nas taxas de deceção de 4,8% no o3 para 2,1% nas respostas de raciocínio do GPT-5. Nos benchmarks de fiabilidade factual LongFact e FActScore, o 'GPT-5 thinking' apresenta cerca de seis vezes menos alucinações do que o o3.

A OpenAI inclui um exemplo de cadeia de raciocínio em que o comportamento anterior consistia em afirmar que um rádio Wi-Fi tinha sido ativado, apesar de esse módulo não existir. A versão corrigida explica que está a funcionar num contentor sem acesso a /dev/rfkill e que não pode concluir a tarefa. Para quem integra estes modelos em pipelines agentivos, um modelo que reporta as suas próprias falhas vale mais do que um que pontua um ponto acima numa tabela de classificação de programação.

As 'respostas seguras' substituem o interruptor de recusar ou cumprir

A OpenAI descreve uma mudança relativamente ao treino de segurança baseado em recusa, em que o modelo cumpre ou recusa o pedido em função do prompt. A nova abordagem, chamada safe completions, treina o modelo para dar a resposta mais útil possível dentro dos limites de segurança — por vezes uma resposta parcial ou de alto nível — e para explicar o motivo quando recusa, apresentando também alternativas seguras.

A motivação indicada são domínios de duplo uso, como a virologia, em que um pedido pode ser respondido de forma segura a um nível geral, mas não com detalhe operacional. A afirmação é a de menos recusas desnecessárias, mantendo a segurança.

Separadamente, a OpenAI classificou o 'GPT-5 thinking' como de Capacidade Elevada no domínio biológico e químico, segundo o seu Preparedness Framework, e ativou salvaguardas por precaução, citando 5000 horas de red-teaming com parceiros incluindo o CAISI e o UK AISI, mesmo sem provas definitivas de que o modelo pudesse ajudar um principiante a causar danos graves.

A eficiência e a honestidade mudam o cálculo de construção

Para as equipas que constroem sobre a API, a afirmação sobre eficiência de tokens é tão relevante como as afirmações sobre precisão: diz-se que o GPT-5 com thinking iguala ou supera o o3 utilizando 50–80% menos tokens de saída em tarefas de raciocínio visual, programação agentiva e problemas científicos de nível de pós-graduação. Como os tokens de raciocínio são cobrados, esse rácio afeta diretamente o custo de executar uma carga de trabalho.

A combinação a considerar no planeamento é um router que não se controla, uma taxa de deceção mais baixa e um raciocínio mais barato. Um modelo que diz de forma fiável 'não consigo fazer isto aqui' reduz a quantidade de validação defensiva que uma aplicação precisa de construir em torno das suas respostas — mas a camada de routing também significa que o modelo exato por detrás de um pedido pode mudar à medida que a OpenAI o retreina com sinais em tempo real. As equipas aplicadas devem testar tanto o caminho rápido como o de thinking, e tratar a invocação do 'GPT-5 thinking' como algo a acionar explicitamente, em vez de assumir que acontece por defeito.