Bemutatjuk a GPT‑5‑öt fejlesztők számára

Ma kiadásra kerül a GPT‑5 az API-platformunkon—az eddigi legjobb modellünk a kódolási és ügynöki feladatokhoz.

A GPT‑5 a legkorszerűbb (state-of-the-art, SOTA) a fontos kódolási tesztek terén: 74,9%-ot ér el a SWE-bench Verified teszten és 88%-ot az Aider polyglot feladatsoron. A GPT‑5‑öt úgy képeztük ki, hogy igazi kódolási partnered legyen. Kiválóan teljesít a magas minőségű kód előállításában és olyan feladatok kezelésében, mint a hibák kijavítása, a kód szerkesztése és a komplex kódbázisokkal kapcsolatos kérdések megválaszolása. A modell irányítható és együttműködő—nagy pontossággal képes követni a részletes utasításokat, és képes előzetes magyarázatot adni a műveleteiről az eszközhívások előtt és között.  A modell a front-end kódolásban is kiemelkedő, a belső tesztelés során az esetek 70%-ában felülmúlta az OpenAI o3‑at a front-end webfejlesztésben.

A GPT‑5‑öt valós kódolási feladatokra képeztük ki, a startupok és vállalatok korai tesztelőivel együttműködésben. Cursor szerint a GPT‑5 „a legokosabb modell, amit valaha használtak”, és „meglepően intelligens, könnyen irányítható, sőt, olyan személyisége is van, amit más modellekben nem tapasztaltak.” Windsurf megosztotta, hogy a GPT‑5 az értékeléseiken SOTA, és „feleannyi parancshívási hibaaránya van, mint más határmodelleknek”. Vercel szerint „ez a legjobb frontend mesterséges intelligencia modell, amely mind esztétikai érzék, mind kódminőség tekintetében csúcsteljesítményt nyújt, így saját kategóriába kerül.”

A GPT‑5 a hosszú ideig futó ügynöki feladatokban is kiválóan teljesít—SOTA eredményeket ért el a τ²-bench Telecom* (96,7%), egy mindössze 2 hónapja kiadott parancshívási teszten. A GPT‑5 továbbfejlesztett eszközintelligenciája lehetővé teszi, hogy több tucat parancshívást megbízhatóan összefűzzön—akár sorban, akár párhuzamosan—anélkül, hogy eltévedne, így sokkal jobban képes végrehajtani a bonyolult, valós feladatokat elejétől a végéig. Ezenkívül pontosabban követi az eszközutasításokat, jobban kezeli az eszközhibákat, és kiválóan teljesít a hosszú kontextusú tartalom visszakeresésében. Manus szerint a GPT‑5 „a legjobb teljesítményt érte el, amit valaha is láttak egyetlen modelltől a belső teszteken.” Notion szerint „[a modell] gyors válaszai, különösen alacsony indoklási módban, ideálissá teszik a GPT‑5‑öt, ha összetett feladatokat kell egy lépésben megoldani.” Inditex szerint „ami igazán megkülönbözteti a [GPT‑5]‑öt, az az indoklás mélysége: árnyalt, többrétegű válaszokat ad, amelyek a téma valós megértését tükrözik.”

Új funkciókat vezetünk be az API-nkban, nagyobb irányítást adjunk a fejlesztőknek a modellválaszok felett. A GPT‑5 támogat egy új verbosity paramétert (értékek: low, medium, high), amely segít szabályozni, hogy a válaszok rövidek és lényegre törőek, vagy hosszúak és átfogóak legyenek. A GPT‑5 reasoning_effort paramétere mostantól minimális értéket is felvehet, hogy gyorsabban kapj válaszokat, anélkül, hogy előzetesen alaposan indokolnál. Hozzáadtunk egy új eszköztípust is—egyéni eszközöket—, hogy a GPT‑5 egyszerű szöveggel hívhassa az eszközöket JSON helyett. Az egyéni eszközök ügyfélszolgálatot nyújtanak a fejlesztők által biztosított kontextusfüggetlen nyelvtan általi korlátozásra.

A GPT‑5‑öt három méretben adjuk ki az API-ban—gpt-5, gpt-5-mini, és gpt-5-nano—, hogy a fejlesztők nagyobb rugalmasságot élvezhessenek a teljesítmény, költség és késés közötti egyensúlyozásban. Míg a ChatGPT‑ben a GPT‑5 érvelési, nem érvelési és router modellek rendszere, az API platformon a GPT‑5 az az érvelési modell, amely a maximális teljesítményt biztosítja a ChatGPT‑ben. Figyelemre méltó, hogy a minimális érveléssel rendelkező GPT‑5 más modell, mint a ChatGPT nem érvelő modellje, és jobban hangolt a fejlesztők számára. A ChatGPT‑ben használt nem érvelő modell GPT‑5‑chat‑latest néven érhető el.

Ha szeretnél többet megtudni a ChatGPT‑ben található GPT‑5‑ről és a ChatGPT egyéb fejlesztéseiről, nézd meg a kutatási blogunkat. Ha többet akarsz megtudni arról, hogy a vállalatok miért használják lelkesen a GPT‑5‑öt, nézd meg vállalati blogunkat⁠.

A GPT‑5 a legerősebb kódolási modell, amit valaha is kiadtunk. Felülmúlja az o3‑at a kódolási benchmarkok és valós használati esetek során, és finomhangolás által olyan ügynökalapú kódolási termékekben tűnjön ki, mint a Cursor, a Windsurf, a GitHub Copilot és a Codex CLI. A GPT‑5 lenyűgözte az alfa tesztelőinket, és számos privát belső értékelésben rekordokat döntött. 

A SWE-bench Verified-on, amely valós szoftvermérnöki feladatokon alapuló értékelés, a GPT‑5 74,9%-ot ért el, szemben az o3 69,1%-ával. Érdemes megjegyezni, hogy a GPT‑5 nagyobb hatékonysággal és sebességgel éri el magas pontszámát: az o3‑hoz képest magas indoklási intenzitás mellett a GPT‑5 22%-kal kevesebb kimeneti tokent és 45%-kal kevesebb parancshívást használ.

Az Aider polyglot programban, a kódszerkesztés értékelése során a GPT‑5 új rekordot állított fel 88%-kal, ami egyharmaddal csökkenti a hibaszázalékot az o3‑hoz képest.

Azt is észrevettük, hogy a GPT‑5 kiválóan alkalmas a kódbázisok mélyreható elemzésére, hogy választ adjon a különböző részek működésével vagy együttműködésével kapcsolatos kérdésekre. Egy olyan bonyolult kódbázisban, mint az OpenAI megerősítéses tanulás rendszere, azt tapasztaljuk, hogy a GPT‑5 segíthet az indoklásban és a kódunkkal kapcsolatos kérdések megválaszolásában, felgyorsítva a mindennapi munkánkat. 

Amikor frontend kódot készítesz web appokhoz, a GPT‑5 esztétikusabb, ambiciózusabb és pontosabb. Az o3‑mal való egymás melletti összehasonlítások során tesztelőink az esetek 70%-ában a GPT‑5‑öt részesítették előnyben.

Íme néhány szórakoztató, válogatott példa arra, hogy a GPT‑5 mire képes egyetlen utasítás alapján:

További GPT‑5 példákat itt⁠(új ablakban nyílik meg) talál galériánkban.

A GPT‑5 jobb együttműködő partner, különösen az olyan ügynökalapú kódolási termékekben, mint a Cursor, a Windsurf, a GitHub Copilot és a Codex CLI. Munka közben a GPT‑5 képes terveket, frissítéseket és összefoglalókat kiadni a parancshívások között. Korábbi modelljeinkhez képest a GPT‑5 proaktívabb az ambiciózus feladatok elvégzésében anélkül, hogy megállna az engedélyedre várva vagy visszariadna a nagy bonyolultságtól.

Íme egy példa arra, hogyan nézhet ki a GPT‑5 egy összetett feladat megoldása közben (jelen esetben egy étterem weboldalának létrehozása):

Az ügynöki kódoláson túl a GPT‑5 általában jobban teljesít az ügynöki feladatokban. A GPT‑5 új rekordokat döntött az utasításkövetés (69,6% a Scale MultiChallenge teszten, az o3‑mini értékelése alapján) és az eszközhívás (96,7% a τ²-bench telecom teszten) terén. A továbbfejlesztett eszközintelligencia lehetővé teszi a GPT‑5 számára, hogy megbízhatóbban összekapcsolja a műveleteket a valós feladatok végrehajtásához.

A GPT‑5 megbízhatóbban követi az utasításokat, mint bármelyik elődje, és magas pontszámot ér el a COLLIE, a Scale MultiChallenge és a belső utasításkövető értékeléseken.

Keményen dolgozunk, hogy a fejlesztők számára fontos módokon javítsuk a parancshívásokat. A GPT‑5 jobban követi az eszközutasításokat, jobban kezeli az eszközhibákat, és proaktívabban képes több parancshívást végrehajtani egymás után vagy párhuzamosan. Amikor utasítást kap, a GPT‑5 képes kimenetként előszó üzeneteket is megjeleníteni a parancshívások előtt és között, hogy tájékoztassa a felhasználókat arról, hol tart a hosszabb ügynöki feladatok során.

Két hónappal ezelőtt a Sierra.ai közzétette a τ²-bench telecom nevű kihívást jelentő eszközhasználati benchmarkot, amely rávilágított arra, hogy a nyelvi modellek teljesítménye jelentősen csökken, amikor egy olyan környezeti állapottal lépnek interakcióba, amelyet a felhasználók megváltoztathatnak. Publikációjukban⁠(új ablakban nyílik meg) egyetlen modell sem ért el 49%-nál magasabb pontszámot. A GPT‑5 97%-os eredményt ért el.

A GPT‑5 a hosszú kontextusú teljesítmény terén is erős javulást mutat. Az OpenAI-MRCR-en, amely a hosszú kontextusú információvisszakeresés mérőszáma, a GPT‑5 felülmúlja az o3‑at és a GPT‑4.1‑et, egy olyan különbséggel, amely hosszabb beviteli hossz esetén jelentősen megnő.

Emellett nyílt forráskódúvá tesszük a BrowseComp Long Contextet⁠(új ablakban nyílik meg), amely új mércét jelent a hosszú kontextusú kérdések és válaszok értékeléséhez. Ebben a tesztben a modell egy felhasználói lekérdezést kap, a releváns keresési eredmények hosszú listáját, és a keresési eredmények alapján kell megválaszolnia a kérdést. A BrowseComp Long Contextet úgy terveztük, hogy valósághű, nehéz és megbízhatóan helyes alapigazság válaszokat adjon. 128K–256K tokenek beviteli esetén a GPT‑5 az esetek 89%-ában adja meg a helyes választ.

Az API-ban minden GPT‑5 modell legfeljebb 272 000 beviteli tokent fogadhat el, és legfeljebb 128 000 indoklási és kimeneti tokent bocsáthat ki, így a teljes kontextushossz 400 000 token.

A GPT‑5 megbízhatóbb, mint a korábbi modelljeink. A LongFact és FactScore tesztek utasításai alapján a GPT‑5 ~80%-kal kevesebb tényszerű hibát követ el, mint az o3. Ezáltal jobban megfelel az ügynöki felhasználási eseteknek, ahol a helyesség számít—különösen a kód, az adatok és a döntéshozatal terén.

Általánosságban elmondható, hogy a GPT‑5‑öt arra képezték ki, hogy jobban tisztában legyen saját korlátaival, és képes legyen jobban kezelni a váratlan helyzeteket. A GPT‑5‑öt arra is betanítottuk, hogy sokkal pontosabban válaszoljon egészséggel kapcsolatos kérdésekre (többet olvashatsz erről a kutatási blogunkban). Mint minden nyelvi modell esetében, azt javasoljuk, hogy ha magas a tét, ellenőrizd a GPT‑5 munkáját.

A fejlesztők a GPT‑5 gondolkodási idejét az API reasoning_effort paraméterén keresztül vezérelhetik. A korábbi értékeken –low, medium (alapértelmezett) és high—mellett a GPT‑5 támogatja a minimal értéket is, amely minimalizálja a GPT‑5 indoklását, a gyors válaszok érdekében.

A magasabb reasoning_effort értékek maximalizálják a minőséget, míg az alacsonyabb értékek a sebességet. Nem minden feladat profitál egyformán a további érvelésből, ezért javasoljuk, hogy kísérletezz, hogy lásd, melyik működik a legjobban az általad fontosnak tartott felhasználási esetekben.

Például a low szint fölé emelt reasoning szinte semmit nem ad hozzá az egyszerűbb, hosszú kontextusú keresési feladatokhoz, viszont több százalékponttal javítja a teljesítményt a CharXiv Reasoning⁠(új ablakban nyílik meg) vizuális indoklási teszten.

A GPT‑5 válaszainak alapértelmezett hosszának szabályozására bevezettünk egy új API-paramétert, a verbosity-t, amely low, medium (alapértelmezett) és high értékeket vehet fel. Ha az egyértelmű utasítások ütköznek a részletességi paraméterekkel, az egyértelmű utasítások élveznek elsőbbséget. Például, ha megkéred a GPT‑5‑öt, hogy „írj egy 5 bekezdéses esszét”, a modell válasza mindig 5 bekezdésből áll, függetlenül a részletezettségi szinttől (bár maguk a bekezdések lehetnek hosszabbak vagy rövidebbek).

Ha utasítást kap, a GPT‑5 felhasználó által látható preambulumüzeneteket jelenít meg a parancshívások előtt és között. Ellentétben a rejtett indoklási üzenetekkel, ezek a látható üzenetek lehetővé teszik a GPT‑5 számára, hogy kommunikálja a terveket és a haladást a felhasználóval, segítve a végfelhasználókat megérteni a megközelítést és a szándékot a parancshívások mögött.

Bevezetünk egy új eszköztípust—az egyéni eszközöket—, amely lehetővé teszi a GPT‑5 számára, hogy JSON helyett egyszerű szöveggel hívjon meg egy eszközt. A GPT‑5 egyéni eszközformátumok követésére a fejlesztők megadhatnak reguláris kifejezést, vagy akár egy teljesebben meghatározott kontextusfüggetlen nyelvtant⁠(új ablakban nyílik meg).

Korábban a fejlesztők által meghatározott eszközök felületének használatához JSON-t kellett használni, amely egy általánosan használt formátum a webes API-k és a fejlesztők körében. Azonban ahhoz, hogy a JSON érvényes legyen, a modellnek hibátlanul kell „kimenekítenie” (escape-elnie) az összes idézőjelet, fordított perjelet, sortörést és egyéb vezérlőkaraktert. Bár modelljeink jól képzettek a JSON kimenet előállítására, hosszú beviteli adatok esetén, mint például több száz kódsor vagy egy 5 oldalas jelentés, a hibák valószínűsége megnő. Egyéni eszközökkel a GPT‑5 egyszerű szövegként írhatja az eszközbemeneteket anélkül, hogy el kellene kerülnie az összes kimenekítést igénylő karakterektől.

A SWE-bench Verified-on, egyedi eszközöket használva a JSON eszközök helyett, a GPT‑5 körülbelül ugyanazt a pontszámot éri el.

A GPT‑5 előrelépést jelent a biztonság terén, robusztusabb, megbízhatóbb és hasznosabb modell. A GPT‑5 lényegesen ritkábban ad kitalált vagy valótlan válaszokat, mint korábbi modelljeink, őszintébben közli a felhasználóval, mit csinál és mire képes, és ahol csak lehetséges, a leghasznosabb választ adja, miközben továbbra is a biztonsági kereteken belül marad. További információkat a kutatási blogunkban olvashatsz.

A GPT‑5 már elérhető az API platformon három méretben: gpt-5, gpt-5-mini és gpt-5-nano. Elérhető a Responses API-n, a Chat Completions API-n, és alapértelmezett a Codex CLI-ben. A GPT‑5 ára 1,25 USD/1M beviteli token és 10 USD/1M kimeneti token, a GPT‑5 mini ára 0,25 USD/1M beviteli token és 2 USD/1M kimeneti token, míg a GPT‑5 nano ára 0,05 USD/1M beviteli token és 0,40 USD/1M kimeneti token.

Ezek a modellek támogatják a reasoning_effort és a verbosity API paramétereket, valamint az egyedi eszközöket. Támogatják a párhuzamos parancshívást, a beépített eszközöket (webes keresés, fájlkeresés, képgenerálás és még sok más), az alapvető API funkciókat (streaming, strukturált kimenetek és még sok más), valamint a költségmegtakarítási funkciókat, amilyen például az utasítás cache és a Batch API.

A ChatGPT‑ben használt GPT‑5 nem érvelő verziója elérhető az API-ban gpt-5-chat-latest néven, és ára szintén 1,25 USD/1 millió beviteli token és 10 USD/1 millió kimeneti token.

A GPT‑5‑öt a Microsoft platformjain is bevezetjük, beleértve a Microsoft 365 Copilotot, a Copilotot, a GitHub Copilotot és az Azure AI Foundry-t.

Nézd meg a GPT‑5 dokumentációját⁠(új ablakban nyílik meg), árakat⁠(új ablakban nyílik meg) és promptolási útmutatót⁠(új ablakban nyílik meg), hogy elkezdhesd.