本文来自微信公众号：APPSO （ID：appsolution），作者：发现明日产品的，题图来自：AI生成
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”。
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润色结果与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。
很明显地感觉到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。