OpenAI 上线 GPT-5 开发者版：主攻编程与智能体，分三档尺寸

AI 写代码这件事，大家已经习惯了它能写出一个函数，但在面对一个盘根错节的旧项目时，它往往改了东墙塌了西墙，或者在调用工具时频繁卡死。

OpenAI 刚刚把 GPT-5 放进了开发者 API 平台。这次 OpenAI 拿出的不是单纯跑分的聊天机器人，而是一个专门冲着写代码和执行复杂智能体任务调校的模型。

拿跑分说话：Token 变少了，活干得更漂亮

在评估实际软件工程能力的 SWE-bench Verified 上，GPT-5 跑出了 74.9% 的成绩，超过了 o3 的 69.1%。更关键的是效率：相比高推理难度的 o3，GPT-5 消耗的输出 Token 减少了 22%，工具调用次数减少了 45%。

在代码编辑评测 Aider polyglot 上，GPT-5 的得分达到 88%，错误率直接比 o3 降了三分之一。OpenAI 内部的前端开发盲测中，GPT-5 也有 70% 的概率被选为优于 o3。

不仅官方数据好看，首批拿到模型的工具厂商给出的反馈也很具体。代码编辑器 Cursor 表示这是他们用过最聪明的模型，不仅容易引导，还带有一种以往模型少见的个性。

Windsurf 则指出 GPT-5 的工具调用错误率比其他前沿模型降低了一半。Vercel 评价它是目前兼具审美与代码质量的前端模型；Manus 也表示这是他们在自家内部基准上见过的单模型最高分。

除了写代码，在工具链长程任务上，Sierra.ai 两个月前推出的 τ2-bench telecom 测试曾难倒所有模型，此前最高分不到 49%，而 GPT-5 拿下了 96.7%。在 128K 到 256K 的长上下文问答基准 BrowseComp Long Context 上，它的正确率达到了 89%。

API 给开发者松绑：不只 JSON，还能控制废话

伴随模型上线，OpenAI 在 API 侧放出了几个很实用的控制项。

首先是 reasoning_effort 参数新增了 minimal 档位。以前模型哪怕做个简单的长文本检索也要思考半天，现在开发者可以让它把推理开销降到最低，实现快速响应。Notion 就提到这个低推理模式非常适合一步到位的复杂任务。

其次是新增了 verbosity 参数，分为 low、medium、high 三档，让开发者直接控制回答的长短，不用再在提示词里求它别说废话。

另外，GPT-5 支持了一种名为 custom tools 的新工具类型。它不再强求模型把所有调用都塞进 JSON 结构，而是允许直接输出纯文本，并通过开发者指定的正则表达式或上下文无关文法来做约束。

在规格上，API 版本的 GPT-5 提供了 gpt-5、gpt-5-mini 和 gpt-5-nano 三种尺寸。模型的总上下文窗口达到 40 万 Token，其中最多接收 27.2 万输入 Token，最多输出 12.8 万推理与生成 Token。

针对终端开发者，OpenAI 还推荐配合 Codex CLI 命令行工具，输入提示词就能在沙盒环境里自动装依赖、跑代码并实时预览。

为什么重要

对开发者和软件工程师来说，GPT-5 的意义不在于它能一句话写个五子棋，而在于它终于可以更可靠地放进真实的工作流里。工具调用错误率减半、输出 Token 减少 22%，意味着写进 Agent 的工作流不会轻易在半路崩溃，调 API 的账单也不会像以前那样失控。

对于整个 AI 编程工具行业，Cursor、Windsurf 这些产品的能力上限直接被拔高了一截。当基础模型的工具串联成功率从不足 50% 跃升到 90% 以上，过去很多只能停留在演示阶段的多步骤 Agent，现在真正具备了工程落地的可能性。

我们认为，OpenAI 这一次的产品策略非常务实。它不再硬推单一的全能大模型，而是把 API 拆成三档尺寸，甚至把 JSON 调用的硬性枷锁换成了支持文法约束的纯文本工具。不过，这也意味着开发者的门槛在悄悄转移：谁能更好地编排上下文无关文法、谁能更精细地调控推理档位，谁才能把 GPT-5 的性能榨干。