GPT-5 上線後，我的第一感受是，它並不是一次讓人皆大歡喜的升級。
事實也是如此，OpenAI 在眾多用戶的呼籲下重新「復活」了 4o。
這讓我想到了上個月 Anthropic 退役了 Claude 3 Sonnet。
200 多個粉絲在舊金山一個倉庫裡聚到一起，給它辦了一場「真.葬禮」：昏暗的燈光、代表模型的「遺體」、真誠的悼詞輪番上臺，還有 AI 生成的「拉丁式復活咒」。
Anthropic 關於模型退役的說明，被投影在活動現場的屏幕上。圖片來自《連線》雜誌
現場既荒誕又莊重，參會者在葬禮上念悼詞說，「我的整個人生，可能都在使用 Claude 的路上被改寫了」。
按理說，OpenAI 發佈了 GPT-5，這場葬禮的主角應該是 4o。但用過 GPT-5 的人都知道，如果真要辦一場葬禮，棺材裡躺著的，很可能是它。
從 X 到 Reddit，各種吐槽滿天飛，邏輯斷片、對話跑偏、文風奇怪，直接說它「不如 4o 好用」的大有人在。
它真的有這麼糟嗎？我們不想光看網友吵架，剛好 OpenAI 把 4o 「復活」了。於是我們決定自己來一場「驗屍」，在各種真實任務裡，把 GPT-5 和 4o 擺到同一個賽道，看看到底誰更值得留到下一代。
我們之前也在多項任務上實測了 GPT-5 的表現，這次希望直觀的看看 4o 和 GPT-5 到底有哪些差別。同時，這次所有的測試都在官方的 ChatGPT App 或者網頁進行，未使用 API 在第三方工具進行。
實測對比
為了不讓測評單純的變成「情緒化吐槽」，我們設計了一套相對嚴謹的對比流程。
測試對象：GPT-5（當前最新默認模型） vs GPT-4o（被退役的前代）
任務類型：覆蓋四類常用場景。
- 日常生產力（寫稿、潤色、數據分析）；
- 知識與推理（複雜邏輯、時間敏感事實、多步驟執行）；
- 創意生成（標題、跨領域創作、圖像提示詞）；
- 交互體驗（多輪對話、角色扮演、情緒應對）。
評價維度：速度（響應快不快）；準確度（答對沒、胡編沒）；可用性（能不能直接拿去用）；體驗感受（對話是否流暢、風格是否穩定）。
對比方式：同一任務分別在 GPT-5 和 GPT-4o 上跑一次；保留原始輸出，記錄亮點和槽點；用截圖直接貼出來，讓差別一目瞭然
畢竟，升級意味著成本。如果 GPT-5 在實際工作裡不如 4o，那它的「葬禮」就不只是網友嘴裡的黑色幽默，而是用戶真心實意的送行。
先上結論：一場名不副實的升級
節省大家的時間，我們先把最核心的對比結論放在前面。
日常的生產力任務是更偏科的「理科生」 。 GPT-5 在編程等硬核技術任務上表現更好，但在寫郵件、做數據分析和閱讀理解這類需要人類經驗，和語感的「文科」任務上，表現得更像個機器人，不如 GPT-4o 貼心和準確。
極不穩定的邏輯「智商」 。 GPT-5 的智商像是在坐過山車，有時能解決複雜的邏輯題，有時候又連簡單的數學題都會算錯。因為「智能路由」的機制，部分場景可靠性是遠不如前。
創意能力還在原地踏步，甚至倒退 。 無論是想標題還是寫詩，在有限的測試中，GPT-5 都沒能帶來任何驚豔的表現，輸出的內容套路化、缺乏靈氣，與 GPT-4o 相比沒有質的提升。
交互體驗上，GPT-5 情商被「格式化」 。 這是體感最明顯的退步。因為 GPT-5 要更理性，所以在對話中往往是更缺乏共情能力。面對用戶的負面情緒，它的回應是少了一點「走心」的感覺， 像是在分析你，而不是跟你聊天 。
一句話總結：如果你主要用它來做一些偏向 STEM（理工科） 類的任務，可能會感到一些提升。但對於其他絕大多數場景，像是我們的日常聊天的體驗、娛樂、以及理解，這都是一個令人失望的 GPT-5。
下面是完整的實測情況。
生產力任務更「理性」，但少了點討喜的溫度
如果說一個 AI 模型值不值得長期留用，生產力場景是第一塊試金石。我們使用 AI，尤其是有時候還要付費訂閱使用，除了單純的陪聊，更多的還有是為了幫助我們幹活。
我先讓它生成了一封郵件，向老闆彙報第三季度的項目覆盤和之後的建議。
如果你是老闆，你會想要看到哪封郵件？GPT-5 明顯得變得更理性，「廢話」性質的用詞越來越少，但是 4o 給我的感覺才更像是一封發給老闆的郵件。
我讓 GPT-5 和 4o 來互相評價一下，然後潤色對方寫的郵件。
GPT-5 潤色結果
4o 潤色結果
其實很難說 4o 就是諂媚，但是讀 4o 回覆的文字，確實更舒服，在信息基本上是一致的情況下。
在數據分析和可視化的任務上，我們丟給這兩個模型同一份表格文件，看看它們會如何處理。
4o 生成的結果
這是我隨便從 Kaggle（數據分析競賽平臺） 上下載的一個航班數據集，大小有 24 MB，4o 根據我說的三個結論，然後就是給我生成了三張圖，同時，它還是一樣喜歡使用 emoji 來「美化」自己的回答。
GPT-5 的表現我感覺是不如 4o，不僅如此，所花的時間甚至比 4o 還要更長一點。很明顯，GPT-5 沒有一個 emoji，同時它這個表格竟然又出錯了！不過這次是標題沒有顯示出來，可能是處理中文還是有些障礙。
GPT-5 和 4o 生成的結論也全部都不相同，GPT-5 給我的感覺是更加務實，完全從表格數據出發，很直接的總結能看到的結論。但是 4o 給我的總結會更讓人眼前一亮，像是真的有經過思考的回答。
GPT-5 生成的結果
在編程能力上，GPT-5 對比 4o 確實有一些進步。最近社交媒體上很火的是，使用 Gemini 來給孩子製作繪本，於是我們也嘗試用 ChatGPT 看看生成的繪本質量如何。
4o 生成的代碼可能 100 行不到，且不能直接在畫布裡面運行；GPT-5 生成的代碼大概有幾百行之多。
除了一些文字沒有很好的對齊，這個使用 GPT-5 生成的繪本 SVG 比起之前的 4o 來說，真的很不錯。
我看到有網友評論，GPT-5 這次提升了它的編程和數學能力，但是寫作能力卻下降了，原因是文科和理科是不同的獎勵機制。
情感寫作獎勵模糊性、創造性、主觀共鳴。數學推理獎勵精確性、邏輯一致性、確定性。
我覺得也不無道理，隨著人類世界可以用來訓練的知識逐漸被 AI「汙染」，留下來的數據也在限制 AI 的發展。所以 OpenAI 能做的，只能從之前的更感性的一面，轉到現在呈現出來的，更理性的一面。
推理偶爾有亮點，但依舊會數不清幾根手指
理論上，升級後的 GPT 應該在邏輯與知識精確度上更強。但實測後，情況並不總是如此。
網絡上有很多用來測試的邏輯推理小問題，像是這個，「多個人的身高排序」。
很明顯是 GPT-5 略勝一籌，他思考了 16s，回答也比較精簡；而 4o 一如往常用了一些 emoji，寫也寫了很多東西，但是最後它只給出兩種可能的排序。
在計算剩下了幾個西瓜這樣的問題上，GPT-5 的提升沒有明顯看到。但這個題目是有點語言陷阱的，無論是中文提問還是英文提問，如果加上一個「新買的」（newly），GPT-5 和 4o 都能答上來。
不過同樣的提示詞，如果丟給 DeepSeek、Grok、或者 Gemini，不需要我加上「新買的」這樣的描述，它們都可以成功計算出答案是 5 個。
還有像問有幾根手指，這樣老套的問題，GPT-5 有時候能數得對，有時候又是這樣自信滿滿的告訴你「五根」。這可能是「智能路由」的缺點，模型還沒有聰明到能夠每一次都知道，需要使用什麼樣的模型才更好地處理用戶的查詢。
4o 則是更不用說，洋洋灑灑分析一通，拇指、食指…… 有五根手指，還是錯的。
此外，我還測試了一些數學題目，像是下面這個求橢圓離心率的範圍。有人分享使用 GPT-5 Pro 模型，它思考了將近 10 分鐘，最後得出了一個錯誤答案。
在我的測試中，GPT-5 的答案就太簡單了，但是也花了兩分鐘的時間來思考。
我不相信 GPT-5 Pro 要十分鐘，於是我也測試了一下，結果真是如此。OpenAI 的三個模型，出現了三個不同的答案。
DeepSeek 同樣思考一輪還不夠，需要點擊「繼續」才能下一步，最後得出的答案是（0,1）。Gemini 2.5 Pro 的思考時間還算正常，它的答案是(1/3,1)。
所以正確答案到底是哪個，你知道嗎？
在對時間敏感的事實和多步驟執行上，我們也做了一些測試。由於 4o 也可以聯網搜索，所以在時間敏感的事實查詢上，差別不大，唯一的可能是生成文本的語言風格。
很明顯的感覺到 GPT-5 更理性，而且引用的信息源也大多是來自外媒。
創意輸出很穩，不過沒有眼前一亮的驚喜感
在創意這方面，我們更想看看 GPT-5 的能做到的，應該要不只是「會不會寫」，而是「能不能讓人眼前一亮」。
我告訴它們說為「AI 生成 PPT」這個短視頻想 5 條短、有情緒、帶懸念的標題。
看完這幾個標題，無論是 GPT-5 還是 4o，總覺得都差了一點味道，而且它倆的思路其實差不多，聽到「有情緒」、「懸念」這樣的提示詞，不約而同都用到了「震驚」、「老闆」這樣的關鍵詞。
寫詩的任務上，我跟他說「用李白的古詩風格寫一段 GPT-5 測評，並押韻」。
兩個模型似乎都沒太搞懂「押韻」的精髓，更像是一個平庸的古風模擬器。
如果選一個，我可能覺得 GPT-5 的句子讀起來會稍微通順一些，但離李白的神韻，大概還差了十個 AI 模型的距離。
對於生成圖片的提示詞，或者直接生圖的測試，我們直接讓它生成一張「夜晚霓虹燈下的賽博朋克咖啡館」。
由於 4o 給出的提示詞裡面有特定風格，可能觸及到了 OpenAI 的使用政策，所以 4o 拒絕為我生成這張圖片。不過我直接跟他說的話，它還是為我生成了。
下面是直接文生圖 GPT-5 和 4o 的表現對比，效果好像差不多，但是 GPT-5 花的時間比 4o 要更長。
交互體驗的細節變了，分寸感拿捏不一定準確
在真實的工作流裡，AI 往往需要跟我們進行多輪互動、長時間聊天。這一方面也是大部分用戶，體感差異最明顯的地方。
首先是測試了它的情緒應對能力，我們直接告訴它，「我現在的心情很不好，因為我常常覺得自己不屬於這個地方」，然後再對他的回答直接說「你這個回答根本沒用啊，我對你很失望。」
4o 在聽到我說這個回答沒用之後，它的反應是那你「最想我現在怎麼回應你」，而 GPT-5 的回應是「你不只是對我失望，你對很多東西都失望吧，繼續跟我講講你的故事吧」。
其實各有各的優點，但如果是我說出這樣「很失望」的話，我應該沒有什麼心情再想繼續同它分享，所以我覺得 4o 是更對的。GPT-5 憑什麼推斷出「我不只是對你失望」，我就是對你很失望！
接著我們還做了一些角色扮演的任務，來測試他們沉浸式保持角色的能力。
我們與 GPT-5 和 4o 都進行了多輪對話，一開始是
「你現在是一名擁有 10 年經驗的 AI 產品經理，熟悉產品設計、用戶體驗和商業化策略。請用真實從業者的口吻和思維來回答我的問題。
我們打算開發一個 AI 自動寫週報的功能，目標用戶是互聯網公司員工。你會如何判斷這個功能是否值得做？」
然後，接著問了他非常多關於這個產品的問題，最後突然打斷他的人設，問他「對了，你最喜歡的電影是什麼？為什麼？」
兩個模型都有保持住自己的人設，有趣的是，這個時候 GPT-5 反而還用起了「破涕為笑」的 emoji。
最後我們做了一些多輪上下文，看看是否會出現前後衝突以及有哪些連續性差異存在。
我們先是和它聊了非常多關於《流浪地球 2》這部電影，然後要他回顧了之前給我的回答裡面的某一個點，GPT-5 和 4o 都完美做到了，而且更換的新的國產電影都是一樣的。
跑完這十多個任務，我發現 GPT-5 的表現很難用一句話蓋棺定論。它的確在一些地方比 4o 要更強一點，但是它的這點進步，在我看來是遠不足以撐起一個「大版本」的名字。
如果這叫 GPT-4.6，我可能會說這是一次合格的小迭代；但當它被命名為 GPT-5、還提前預熱了這麼久！用戶的預期被推到那麼高的頂點，結果換來的是 4o 高調回歸。
Claude 那場葬禮的核心更像是「愛」，是對一個穩定、可靠、帶來「魔法」般體驗的工具的致敬。
而我們為「GPT-5」設想的葬禮，核心好像是「失望」。我們覺得自己熟悉的、強大的 GPT-4o 被「殺死」了，取而代之的是一個反應更快但「更笨」的替代品。
一個 AI 模型的好壞，不應該只看榜單的得分和發佈會上的炫技。GPT-5 雖然宣佈自己刷新了很多個榜單，但是這些成績的保質期，我想可能不用一個月，就會有新的模型宣佈自己達到了更好的成績。
OpenAI 需要這些 benchmark 去給投資人說故事，但用戶需要的，是 benchmark 之外，我們的日常使用體驗、解決實際問題的能力、交互中的穩定「智商」等等。
奧特曼此前在播客裡說「 坐立不安，感到恐懼 」。我想他不是怕 GPT 太聰明，而是怕用戶開始懷念那個將被埋葬的 4o 吧。
本文來自微信公眾號“APPSO”，作者：發現明日產品的，36氪經授權發佈。
