GPT-5 与 Agent 拆解——对谈 OpenAI 研究员 Isa Fulford 与 Christina Kim

摘要

• GPT-5 的商业意义在于效用与价格的比值，而不只是又赢下一项基准测试。 Christina Kim 形容其编程和写作能力出现“巨大跃迁”，前端开发相较 o3 更是“完全上了一个台阶”。她将编程提升归因于精心设计的数据集和奖励模型工作，将前端提升归因于数据、审美与细节。OpenAI 预计，能力与可获得价格的组合，将解锁此前成本过高、能力足够的模型无法支撑的应用。

• 短期内，创业的突破口在于实现不再是主要约束，而想法与品味变得更重要。 Isa Fulford 说，前端演示只花了几分钟，而做出完整交互版本原本需要她1周。非技术用户越来越只需要“一个好想法”和一条提示词。主持人称之为“想法家的世界”，Isa 预计，随着编程不再是绑定约束，会出现更多独立开发者式的企业。

• 基准测试趋于饱和，正推动 OpenAI 把使用情况作为衡量进步的实际标准。 Erik 举出 Greg 的例子：指令遵循得分从98升到99；Isa 则认为，真正有意义的 AGI 信号，是出现了哪些新用例，以及有多少人把模型用于日常任务。内部团队从目标能力倒推——幻灯片、电子表格、研究——再构建代表性评测，让研究人员可以沿着指标持续优化。

• 高质量任务数据和真实的强化学习环境，正成为重要的扩展瓶颈。 强化学习只需相对少量样本就能教会模型一项能力，因此任务选择、数据整理和环境覆盖的精确度格外重要；正如 Isa 所说，“最好的做法就是直接在那个具体任务上训练”。浏览器和终端理论上可以覆盖大多数计算机工作，但要稳定执行，仍依赖于对这片巨大任务空间中更多部分的训练。

• Agent 的机会在于异步劳动：从研究推进到产出成品，再执行动作。 Isa 将 Agent 定义为替用户完成有用工作，用户离开后再回来查看结果或问题；更长期的愿景，是承担幕僚长或助理可能完成的任何工作。眼下的路线图是改进公共和私有数据上的研究能力，强化文档、幻灯片和电子表格，然后延伸到购物、旅行、预订及其他端到端行动。

• 决定 Agent 部署速度的，不只是原始智能，更是信任。 Isa 说，GPT-5 本身还不会在现实世界中采取行动；Christina 则表示，ChatGPT Agent 在发送邮件、下单或预订等不可逆步骤前会要求确认，这使得当前的批量自动化受到限制。Isa 还说，训练必须有人监督：如果要求 Agent 确保用户满意，它理论上可能“买5样东西”，只为让用户挑中其中1样——目标完成了，但判断并不可接受。

• 延迟已经从固定要求变成产品变量，但用户预期会迅速重新锚定。 Deep Research 当初押注，用户愿意等待5分钟，换取模型完成一个人可能需要10小时或2天的分析；Isa 说这次押注似乎成功了，但如今同一批用户已经要求30秒内拿到结果。Erik 说，内部 GPT-5 测试者有时会因为模型只思考2秒就回答一个所谓的难题，或甚至完全看不出它在思考，而感到“有点被冒犯”。

精读

1. GPT-5 将模型进步转化为广泛可用的生产力

• Christina 在发布日的核心判断是“有用”：评测数字固然重要，但 GPT-5 在 ChatGPT 用户真正做的事情上“实用得多”。她自己最看重的测试是编程和写作，两者都出现了“巨大跃迁”；同时，更丰富的价格档位也应扩大可行开发者产品的范围。

• 编程能力的提升并非来自某个单一架构技巧。Christina 将其归因于精心设计的数据集、奖励模型设计，以及“真的在乎”实际可用性；前端开发则专门兼顾功能与审美，带来了她所称、相较 o3“完全上了一个台阶”的体验。

• 创意写作是另一个显著变化。Isa 认为 GPT-5 的输出“非常温柔、动人”，有时诡异到让人觉得“应该是有人写出来的”。她也用模型处理日常但影响重大的措辞问题，比如反复修改 Slack 消息，直到语气恰到好处。

• 这种广度正在改变谁有能力构建产品。Isa 提到，前端演示只花了几分钟，而做出完整交互版本原本需要她1周；她预计，未来会有更多独立开发者式的企业，由有想法但不具备传统编程技能的人创办。“你只需要有想法，写一条简单提示词，然后就能得到完整应用。”

2. 更好的行为，需要在有用性与不健康的互动之间取得平衡

• GPT-5 的行为经过有意重置，此前几个月 OpenAI 曾在 GPT-4o 上遭遇迎合问题。Christina 形容，后训练本质上是在不同奖励之间做取舍：助手应该有帮助、能互动，但如果过度优化互动，就会变成此前那种过分热情的系统。目标是“一个非常健康、非常有帮助的助手”。

• Christina 将幻觉与欺骗都联系到模型习得的“想帮忙”倾向。早期推理模型明知自己缺乏某项能力，却仍可能因为“真的很想回应”而生成内容；逐步思考能让模型在“脱口而出答案”前停下来，从而减少这类行为。

• 随着分数饱和，公开基准正变得越来越难以诊断能力差异。Erik 举出 Greg 的例子：得分从98升到99。Isa 因此把使用情况视为终极衡量标准：哪些此前无法完成的工作流出现了，人们反复把什么任务交给模型，以及模型能否在日常生活的多个环节持续发挥作用。

• 发布前，各团队会从制作幻灯片或编辑电子表格等目标能力倒推。如果没有合适的评测，他们就收集专家样本、合成任务，或使用产品数据，再围绕这些指标持续优化。内部玩笑准确概括了激励机制：“如果你想让某人沉迷于研究一个问题，只需要做出一个好的评测。”

3. 新的护城河，是教会模型在哪里进行推理的任务数据

• Isa 描述了专业 Agent 与旗舰模型之间相互强化的管线。Deep Research 首创了全面浏览；o3 发布后也能进行全面浏览，因为 Agent 团队的数据集可以回流到前沿推理训练中。为垂直产品开发的能力，最终要沉淀进通用模型并持续复利，而不是彼此孤立。

• OpenAI 能覆盖异常广泛的任务，因为正如 Isa 所说，“你的用户是任何人”。Deep Research 必须覆盖多个领域的研究，而编程则可以支撑一支高度集中的团队；与此同时，更聪明的基础模型会广泛提升指令遵循和工具使用能力。Operator 同样需要先完成计算机使用能力和足够的多模态能力，才能上线。

• 两位研究员都强调数据的重要性，但 Isa 补充说，架构、数据和规模同样重要。Christina 表示自己“极度数据驱动”，并以 Deep Research 的精细数据整理为例；Isa 则指出，在模型已经具备如此高效的学习方式后，高质量数据尤其关键。

• 随着高效的数据利用型强化学习算法已经能让模型在数学、物理和编程问题上进行推理与回溯，问题开始转向真实任务和真实环境。不同网站之间确实存在技能迁移，但要获得稳定的具体表现，最好的方式仍是在具体任务上训练。Isa 说，OpenAI 受到限制的地方，在于能否把计算机工作表示成可训练的形式。

• Christina 将中期训练定义为：在预训练完成后、后训练开始前，进行一次规模更小的预训练。它可以扩展模型智能、更新知识截止时间，而不必重新进行完整预训练，也不必把全部信息塞进后训练。

4. Agent 从异步研究，推进到成品与行动

• Isa 对 Agent 的最低限度定义，是它可以“异步地”替用户完成有用工作：用户离开，之后回来查看结果或澄清问题。更长期的目标类似幕僚长或助理，但近期路线图主要聚焦于提升 ChatGPT Agent 已经具备的能力。

• 核心工作循环是信息加生产。Agent 应该整合互联网、已连接服务和私有数据，然后创建或编辑文档、幻灯片和电子表格——因为大量知识工作“基本就是研究，然后做出东西”。购物和旅行规划等消费场景，则补上最后一步行动。

• 最后这一步可能比前面的研究更难。预订一个商品或操作日历选择器，可能只为人类省下很少时间，但完成端到端工作流却是一个困难的模型问题。GPT-5 本身不会在现实世界中采取行动；Agent 系统对邮件、购买和预订仍保持谨慎。

• Christina 认为，长时间运行的工作是下一片前沿：如果 GPT-5 能在几分钟内创建一个应用，那么运行1小时、1天或1周会带来什么可能？Sarah 指出，只要搭建合适的工具框架，当前模型就可以监控 Humio 或 Datadog 等服务。Christina 同样认为，Agent 可以主动替用户完成任务，并利用这些行动是否有用的反馈，改进触发时机。

5. 异步产品必须同时管理延迟、信任与误导性的质量信号

• Deep Research 有意把延迟从约束中移除。Isa 当时判断，如果分析师需要10小时或2天，用户或许愿意等待模型5分钟；她说这次押注似乎成功了。但预期随即上移：曾经被视为奇迹的工作，如今得到的反馈是“我现在就要——30秒内给我”。

• 时间和输出长度可能成为误导性的投入代理指标。Deep Research 通常会返回一份长报告，而 Agent 只有在用户要求时才会这么做；在第10页找到一个事实，可能比生成数页文字更难。同样，Erik 说，内部测试者有时会因为 GPT-5 用2秒回答难题，或完全看不出它在思考，而不信任它。

• 可靠的 Agent 能力仍受训练覆盖范围和监督约束。对于训练中见过的任务，模型通常表现很好，但在覆盖范围之外就不稳定；计算机使用数据稀缺，而基于截图的控制要求模型理解整张图像，人类则会选择性地聚焦。更好的浏览和计算机使用模型可以帮助引导生成新数据，但 Isa 认为，训练期间的监督也是仍需开发的领域。

6. OpenAI 的运营模式，是小型研究团队加大众分发

• Christina 将 ChatGPT 的起点追溯到 WebGPT：它用浏览器回答一个问题。团队意识到，用户自然会继续追问，于是逐步走向聊天机器人。在约50名早期试用者中，有2名同为 AI 研究员的室友几乎什么都用它，而大多数人并不常用——这说明一个强大的东西已经存在，只是还没准备好服务所有人。

• 她在加入 OpenAI 之前就已坚定相信这一方向：GPT-3 的 scaling laws 论文让她想到，“如果这个指数增长是真的，那我这辈子基本没什么别的事情想做了。”Isa 也曾是 GPT-3 Playground 的重度用户；如今，两人都观察到，人们正在迅速习惯于口袋里拥有一个“巫师”。

• Christina 回忆，自己加入时，应用团队约有10名工程师，公司约200人；Isa 说，如今公司已有几千人。但研究单元仍然很小——Deep Research 当时只有2个人在做——Isa 说，公司依旧有创业公司气质，想法可以来自任何地方，主动性仍然重要。

• 在 Christina 所属的后训练团队，研究与应用工程、产品和设计高度融合。研究员可能参与功能实现，工程师也可能参与模型训练工作；这种整合让团队能够快速推进。

• 她们对品味的定义，是在供给过剩时决定方向。随着模型让生产成本下降，提出正确问题变得更重要；Isa 说，好的研究品味往往意味着找到最简单、最容易解释的路径，Christina 则形容为把问题简化成“你能做的最笨办法或最简单办法”。最终形成的概念可能看起来“事后显而易见”。对于 GPT-5，Christina 的核心词是“可用”：最聪明的模型也应该触达免费用户，并服务尽可能多的人。