发布时间：2026-09-25T06:29:03.873Z
OpenAI发布会讲了一堆概念，我花了三天拿真实任务测GPT-5的多模态能力，从图文理解、视频分析、OCR精度三个角度看看到底提升了多少。 GPT-5发布那天我蹲了直播，发布会上demo看着炸裂，但这种东西得自己跑才知道水分多大。我找了几个平时工作里真会用到的多模态场景，挨个测，对照组是GPT-4.5。 第一个场景：看截图读报错。我截了一张Nginx 502的错误页面，里面混着一行堆栈信息和一段配置片段。GPT-4.5读这张图，能认出502和Nginx，但堆栈里的文件路径它读错了两个字符，把upstream.conf认成了upstream.cnf，导致我按它给的路径找文件找了五分钟。GPT-5直接把完整堆栈和配置块都摘出来了，路径一字不差，还指出是upstream_timeout设成了30秒太短，建议调到60秒。这个提升很实在——以前我贴报错得手动打字，现在截图就行。 第二个场景：视频分析。GPT-5支持上传最长2分钟的视频，我传了一段自己录的产品操作录屏，大概90秒，问它"用户在哪一步犹豫了"。它居然能指出用户在第三步停留了8秒，来回点了两次按钮，然后退回上一步，还总结了这个用户可能是对价格确认按钮有疑虑。这个temporal reasoning能力是GPT-4.5完全没有的——之前它看视频就是抽帧看图，时间线感很弱，问它先后顺序它就乱答。但2分钟的限制很短，做长视频分析还得自己切片，一次传2分钟再拼接结果。 第三个场景：手写笔记转结构化。我拍了一张自己画的会议白板，上面有流程图和歪歪扭扭的字，大概写了60个字和5个节点。GPT-4.5基本认不全，识别出来的文字缺三分之一，流程图节点关系也乱了。GPT-5把流程图的节点和箭头关系都理顺了，转成了一个markdown列表，虽然有两个字还是认错，但已经够我整理会议纪要用了。它甚至把我画错的一个箭头方向也标了出来，说"这个箭头看起来指向反了"。 价格上GPT-5比4.5贵了差不多一倍，输入每百万token 15刀，输出60刀。日常写代码问答其实4.5够用，多模态任务密集的话值得升。我自己的感受是：它不是"颠覆性"的提升，但在那些需要同时处理图、文、时间线的任务上，确实从"能用"变成了"靠谱"。建议先拿免费额度测自己的高频场景，再决定要不要付费升级。