共计 1679 个字符，预计需要花费 5 分钟才能阅读完成。
一些用户反馈称，GPT-5 的编程能力已经达到，甚至在某些特定任务上超越了 Claude-4。
然而，令人费解的是，Claude-4 在 OpenRouter 的定价显著高于 GPT-5，但实际使用量却显然更为庞大。实际上，本周 GPT-5 的使用量甚至低于 Claude 3.7，与 Grok 4 之间的差距也不大。这究竟是为何呢？
是因为用户的习惯所致，还是说其能力确实不够呢？
我认为并非如此。
可以说，GPT-5 是完全符合 OpenAI 设定的目标。
那些偏爱使用 o3 这种推理小模型并结合合成数据的用户，基本上能够毫无障碍地转换到 GPT-5 和 GPT-5 Pro，这些模型更专注于判断对错。由于强化学习的训练必须围绕“对与错”的可验证命题进行，因此为了让强化学习有效运作，需要设定一个停止点，否则它会陷入无尽的循环。这个停止点就是可验证的“对与错”，例如代码能够成功运行或者证明是有效的。
而喜欢 GPT-4、GPT-4.5、o1 Pro 和 4o 这类中大型模型的用户，恐怕难以适应，因为这些模型的表达流畅且细腻，具备人类的洞察力。例如：我需要准备下周的演讲稿，希望它更口语化，让我看起来像行业内的专家，气定神闲、轻松幽默，并要求设计合适的语速和语调。在这种情况下，使用 GPT-5 这样的合成数据小模型并不适合，而应选择经验丰富的 GPT-4.5、Gemini 2.5 Pro，或者 Sonnet 3.5 的前两版（那时合成数据还未如此强大，RLHF 也运作得相对顺畅）。
从本质上讲，这两种数据及两种强化学习方式之间存在竞争与拉锯。
数据的对抗：
自然数据包含了更丰富的人类表达形式，表现生动活泼，但错误频出，对长链推理造成负面影响。
合成数据则提供更为结构化和准确的表达，错误较少，推理更为稳定，但往往显得缺乏生气。
强化学习的对抗：
一种是基于人类反馈的强化学习（RLHF），其验证条件依赖于人类的偏好，具有一定的精英主义色彩。另一种是纯理性主义推理（RL Reasoning），其验证条件不受人类影响，而是取决于自然规律。如果人类参与其中，主要是为了梳理数学与逻辑的公理体系，并设定代码能正确运行的语法和结构。
在此，有一个颇为尴尬的事实，科学既不是人类的偏见，也不是领导的决策所能左右，更非纯理性主义的产物。科学无法自我证明，它是一种经验主义，需要依赖事实，而最终验证科学的唯一途径只有实验。如果广义相对论在数学上再完美，没有实验支持，也只是一种假说。对科学相关内容而言，精确的数据往往比推理更为重要。
假设 Anthropic 和 OpenAI 在生物医学领域的数据相同，A 社采用弱推理，O 家则使用强推理，最终的结果可能会相近。
GPT-5 引入了大量优质的生物医学数据，如果你想要推理科学知识，那就像在算命一样。科学在现代生活中扮演着至关重要的角色，因此我们对优质数据的需求在当前环境下是无法消退的。
因此，我们需要明确当前任务的性质。
若是涉及数学、逻辑，以及一些与数学逻辑高相关性的代码，使用 GPT-5 这样的模型将是明智之选，这是 OpenAI 的强项。
如果任务与审美、好坏、感受等相关，那么你应选择 GPT-4.5、Claude Sonnet 3.5（我推荐 3.6，4.0/4.1 则相对不够灵活）或 Gemini 2.5 Pro。在审美方面，我特别欣赏 Anthropic，无论是网页设计还是语言风格，都展现出一流的水平。（尽管，他们的产品和公司理念中弥漫着刺鼻的精英主义气息。）
如果是关于科学的内容，那就要看哪家公司恰好拥有你所需的数据。并不一定 OpenAI 就是最好的选择，可能 Grok 和 Gemini 也能提供优质服务。Google 在大数据处理方面有其独特优势，很多知识型基准测试未必能够测量出其真正潜力。
