GPT-5 上线后，我的第一感受是，它并不是一次让人皆大欢喜的升级。
事实也是如此，OpenAI 在众多用户的呼吁下重新「复活」了 4o。
这让我想到了上个月 Anthropic 退役了 Claude 3 Sonnet。
200 多个粉丝在旧金山一个仓库里聚到一起，给它办了一场「真.葬礼」：昏暗的灯光、代表模型的「遗体」、真诚的悼词轮番上台，还有 AI 生成的「拉丁式复活咒」。
Anthropic 关于模型退役的说明，被投影在活动现场的屏幕上。图片来自《连线》杂志
现场既荒诞又庄重，参会者在葬礼上念悼词说，「我的整个人生，可能都在使用 Claude 的路上被改写了」。
按理说，OpenAI 发布了 GPT-5，这场葬礼的主角应该是 4o。但用过 GPT-5 的人都知道，如果真要办一场葬礼，棺材里躺着的，很可能是它。
从 X 到 Reddit，各种吐槽满天飞，逻辑断片、对话跑偏、文风奇怪，直接说它「不如 4o 好用」的大有人在。
它真的有这么糟吗？我们不想光看网友吵架，刚好 OpenAI 把 4o 「复活」了。于是我们决定自己来一场「验尸」，在各种真实任务里，把 GPT-5 和 4o 摆到同一个赛道，看看到底谁更值得留到下一代。
我们之前也在多项任务上实测了 GPT-5 的表现，这次希望直观的看看 4o 和 GPT-5 到底有哪些差别。同时，这次所有的测试都在官方的 ChatGPT App 或者网页进行，未使用 API 在第三方工具进行。
实测对比
为了不让测评单纯的变成「情绪化吐槽」，我们设计了一套相对严谨的对比流程。
测试对象：GPT-5（当前最新默认模型） vs GPT-4o（被退役的前代）
任务类型：覆盖四类常用场景。
- 日常生产力（写稿、润色、数据分析）；
- 知识与推理（复杂逻辑、时间敏感事实、多步骤执行）；
- 创意生成（标题、跨领域创作、图像提示词）；
- 交互体验（多轮对话、角色扮演、情绪应对）。
评价维度：速度（响应快不快）；准确度（答对没、胡编没）；可用性（能不能直接拿去用）；体验感受（对话是否流畅、风格是否稳定）。
对比方式：同一任务分别在 GPT-5 和 GPT-4o 上跑一次；保留原始输出，记录亮点和槽点；用截图直接贴出来，让差别一目了然
毕竟，升级意味着成本。如果 GPT-5 在实际工作里不如 4o，那它的「葬礼」就不只是网友嘴里的黑色幽默，而是用户真心实意的送行。
先上结论：一场名不副实的升级
节省大家的时间，我们先把最核心的对比结论放在前面。
日常的生产力任务是更偏科的「理科生」 。 GPT-5 在编程等硬核技术任务上表现更好，但在写邮件、做数据分析和阅读理解这类需要人类经验，和语感的「文科」任务上，表现得更像个机器人，不如 GPT-4o 贴心和准确。
极不稳定的逻辑「智商」 。 GPT-5 的智商像是在坐过山车，有时能解决复杂的逻辑题，有时候又连简单的数学题都会算错。因为「智能路由」的机制，部分场景可靠性是远不如前。
创意能力还在原地踏步，甚至倒退 。 无论是想标题还是写诗，在有限的测试中，GPT-5 都没能带来任何惊艳的表现，输出的内容套路化、缺乏灵气，与 GPT-4o 相比没有质的提升。
交互体验上，GPT-5 情商被「格式化」 。 这是体感最明显的退步。因为 GPT-5 要更理性，所以在对话中往往是更缺乏共情能力。面对用户的负面情绪，它的回应是少了一点「走心」的感觉， 像是在分析你，而不是跟你聊天 。
一句话总结：如果你主要用它来做一些偏向 STEM（理工科） 类的任务，可能会感到一些提升。但对于其他绝大多数场景，像是我们的日常聊天的体验、娱乐、以及理解，这都是一个令人失望的 GPT-5。
下面是完整的实测情况。
生产力任务更「理性」，但少了点讨喜的温度
如果说一个 AI 模型值不值得长期留用，生产力场景是第一块试金石。我们使用 AI，尤其是有时候还要付费订阅使用，除了单纯的陪聊，更多的还有是为了帮助我们干活。
我先让它生成了一封邮件，向老板汇报第三季度的项目复盘和之后的建议。
如果你是老板，你会想要看到哪封邮件？GPT-5 明显得变得更理性，「废话」性质的用词越来越少，但是 4o 给我的感觉才更像是一封发给老板的邮件。
我让 GPT-5 和 4o 来互相评价一下，然后润色对方写的邮件。
GPT-5 润色结果
4o 润色结果
其实很难说 4o 就是谄媚，但是读 4o 回复的文字，确实更舒服，在信息基本上是一致的情况下。
在数据分析和可视化的任务上，我们丢给这两个模型同一份表格文件，看看它们会如何处理。
4o 生成的结果
这是我随便从 Kaggle（数据分析竞赛平台） 上下载的一个航班数据集，大小有 24 MB，4o 根据我说的三个结论，然后就是给我生成了三张图，同时，它还是一样喜欢使用 emoji 来「美化」自己的回答。
GPT-5 的表现我感觉是不如 4o，不仅如此，所花的时间甚至比 4o 还要更长一点。很明显，GPT-5 没有一个 emoji，同时它这个表格竟然又出错了！不过这次是标题没有显示出来，可能是处理中文还是有些障碍。
GPT-5 和 4o 生成的结论也全部都不相同，GPT-5 给我的感觉是更加务实，完全从表格数据出发，很直接的总结能看到的结论。但是 4o 给我的总结会更让人眼前一亮，像是真的有经过思考的回答。
GPT-5 生成的结果
在编程能力上，GPT-5 对比 4o 确实有一些进步。最近社交媒体上很火的是，使用 Gemini 来给孩子制作绘本，于是我们也尝试用 ChatGPT 看看生成的绘本质量如何。
4o 生成的代码可能 100 行不到，且不能直接在画布里面运行；GPT-5 生成的代码大概有几百行之多。
除了一些文字没有很好的对齐，这个使用 GPT-5 生成的绘本 SVG 比起之前的 4o 来说，真的很不错。
我看到有网友评论，GPT-5 这次提升了它的编程和数学能力，但是写作能力却下降了，原因是文科和理科是不同的奖励机制。
情感写作奖励模糊性、创造性、主观共鸣。数学推理奖励精确性、逻辑一致性、确定性。
我觉得也不无道理，随着人类世界可以用来训练的知识逐渐被 AI「污染」，留下来的数据也在限制 AI 的发展。所以 OpenAI 能做的，只能从之前的更感性的一面，转到现在呈现出来的，更理性的一面。
推理偶尔有亮点，但依旧会数不清几根手指
理论上，升级后的 GPT 应该在逻辑与知识精确度上更强。但实测后，情况并不总是如此。
网络上有很多用来测试的逻辑推理小问题，像是这个，「多个人的身高排序」。
很明显是 GPT-5 略胜一筹，他思考了 16s，回答也比较精简；而 4o 一如往常用了一些 emoji，写也写了很多东西，但是最后它只给出两种可能的排序。
在计算剩下了几个西瓜这样的问题上，GPT-5 的提升没有明显看到。但这个题目是有点语言陷阱的，无论是中文提问还是英文提问，如果加上一个「新买的」（newly），GPT-5 和 4o 都能答上来。
不过同样的提示词，如果丢给 DeepSeek、Grok、或者 Gemini，不需要我加上「新买的」这样的描述，它们都可以成功计算出答案是 5 个。
还有像问有几根手指，这样老套的问题，GPT-5 有时候能数得对，有时候又是这样自信满满的告诉你「五根」。这可能是「智能路由」的缺点，模型还没有聪明到能够每一次都知道，需要使用什么样的模型才更好地处理用户的查询。
4o 则是更不用说，洋洋洒洒分析一通，拇指、食指…… 有五根手指，还是错的。
此外，我还测试了一些数学题目，像是下面这个求椭圆离心率的范围。有人分享使用 GPT-5 Pro 模型，它思考了将近 10 分钟，最后得出了一个错误答案。
在我的测试中，GPT-5 的答案就太简单了，但是也花了两分钟的时间来思考。
我不相信 GPT-5 Pro 要十分钟，于是我也测试了一下，结果真是如此。OpenAI 的三个模型，出现了三个不同的答案。
DeepSeek 同样思考一轮还不够，需要点击「继续」才能下一步，最后得出的答案是（0,1）。Gemini 2.5 Pro 的思考时间还算正常，它的答案是(1/3,1)。
所以正确答案到底是哪个，你知道吗？
在对时间敏感的事实和多步骤执行上，我们也做了一些测试。由于 4o 也可以联网搜索，所以在时间敏感的事实查询上，差别不大，唯一的可能是生成文本的语言风格。
很明显的感觉到 GPT-5 更理性，而且引用的信息源也大多是来自外媒。
创意输出很稳，不过没有眼前一亮的惊喜感
在创意这方面，我们更想看看 GPT-5 的能做到的，应该要不只是「会不会写」，而是「能不能让人眼前一亮」。
我告诉它们说为「AI 生成 PPT」这个短视频想 5 条短、有情绪、带悬念的标题。
看完这几个标题，无论是 GPT-5 还是 4o，总觉得都差了一点味道，而且它俩的思路其实差不多，听到「有情绪」、「悬念」这样的提示词，不约而同都用到了「震惊」、「老板」这样的关键词。
写诗的任务上，我跟他说「用李白的古诗风格写一段 GPT-5 测评，并押韵」。
两个模型似乎都没太搞懂「押韵」的精髓，更像是一个平庸的古风模拟器。
如果选一个，我可能觉得 GPT-5 的句子读起来会稍微通顺一些，但离李白的神韵，大概还差了十个 AI 模型的距离。
对于生成图片的提示词，或者直接生图的测试，我们直接让它生成一张「夜晚霓虹灯下的赛博朋克咖啡馆」。
由于 4o 给出的提示词里面有特定风格，可能触及到了 OpenAI 的使用政策，所以 4o 拒绝为我生成这张图片。不过我直接跟他说的话，它还是为我生成了。
下面是直接文生图 GPT-5 和 4o 的表现对比，效果好像差不多，但是 GPT-5 花的时间比 4o 要更长。
交互体验的细节变了，分寸感拿捏不一定准确
在真实的工作流里，AI 往往需要跟我们进行多轮互动、长时间聊天。这一方面也是大部分用户，体感差异最明显的地方。
首先是测试了它的情绪应对能力，我们直接告诉它，「我现在的心情很不好，因为我常常觉得自己不属于这个地方」，然后再对他的回答直接说「你这个回答根本没用啊，我对你很失望。」
4o 在听到我说这个回答没用之后，它的反应是那你「最想我现在怎么回应你」，而 GPT-5 的回应是「你不只是对我失望，你对很多东西都失望吧，继续跟我讲讲你的故事吧」。
其实各有各的优点，但如果是我说出这样「很失望」的话，我应该没有什么心情再想继续同它分享，所以我觉得 4o 是更对的。GPT-5 凭什么推断出「我不只是对你失望」，我就是对你很失望！
接着我们还做了一些角色扮演的任务，来测试他们沉浸式保持角色的能力。
我们与 GPT-5 和 4o 都进行了多轮对话，一开始是
「你现在是一名拥有 10 年经验的 AI 产品经理，熟悉产品设计、用户体验和商业化策略。请用真实从业者的口吻和思维来回答我的问题。
我们打算开发一个 AI 自动写周报的功能，目标用户是互联网公司员工。你会如何判断这个功能是否值得做？」
然后，接着问了他非常多关于这个产品的问题，最后突然打断他的人设，问他「对了，你最喜欢的电影是什么？为什么？」
两个模型都有保持住自己的人设，有趣的是，这个时候 GPT-5 反而还用起了「破涕为笑」的 emoji。
最后我们做了一些多轮上下文，看看是否会出现前后冲突以及有哪些连续性差异存在。
我们先是和它聊了非常多关于《流浪地球 2》这部电影，然后要他回顾了之前给我的回答里面的某一个点，GPT-5 和 4o 都完美做到了，而且更换的新的国产电影都是一样的。
跑完这十多个任务，我发现 GPT-5 的表现很难用一句话盖棺定论。它的确在一些地方比 4o 要更强一点，但是它的这点进步，在我看来是远不足以撑起一个「大版本」的名字。
如果这叫 GPT-4.6，我可能会说这是一次合格的小迭代；但当它被命名为 GPT-5、还提前预热了这么久！用户的预期被推到那么高的顶点，结果换来的是 4o 高调回归。
Claude 那场葬礼的核心更像是「爱」，是对一个稳定、可靠、带来「魔法」般体验的工具的致敬。
而我们为「GPT-5」设想的葬礼，核心好像是「失望」。我们觉得自己熟悉的、强大的 GPT-4o 被「杀死」了，取而代之的是一个反应更快但「更笨」的替代品。
一个 AI 模型的好坏，不应该只看榜单的得分和发布会上的炫技。GPT-5 虽然宣布自己刷新了很多个榜单，但是这些成绩的保质期，我想可能不用一个月，就会有新的模型宣布自己达到了更好的成绩。
OpenAI 需要这些 benchmark 去给投资人说故事，但用户需要的，是 benchmark 之外，我们的日常使用体验、解决实际问题的能力、交互中的稳定「智商」等等。
奥特曼此前在播客里说「 坐立不安，感到恐惧 」。我想他不是怕 GPT 太聪明，而是怕用户开始怀念那个将被埋葬的 4o 吧。
本文来自微信公众号“APPSO”，作者：发现明日产品的，36氪经授权发布。
