关于GPT5API

虽然GPT-5大家失望较多，但其实还是亮点许多了。

除非你真以为在transformer 的地基之能直接长出AGI 出来。

至于失望的原因，很大一部分是先前Sam Altman 的眩晕、瘫软吹得有些过了头。

但在昨晚边看发布会边看API文档时，我就发现还是有许多值得尝试的，甚至每个特性、每个新出现的参数，都值得详细研究、实践、花钱去调用玩一玩。

可以相信，这API 里的每一个新feature 都不会是KPI 驱动下放出来的。

现在瓜吃完了，该干正事了——得用起来了。

不过，几个文档结合着看有亿点点乱，要快超出了我的context了……

导致我即将产生幻觉。

好在OpenAI 的许多文档都有个“ Copy Page ”的按钮能复制出完整的markdown内容，作为给LLM的prompt，随你怎么问了就。

这个真得点赞 。

于是我就让AI 按我的要求筛选、整理和突出了下，方便自己看，也顺便分享出来当作笔记了。

模型选择指南

首先是三个模型的定位差异，这能用于快速决定该用哪个模型，避免 大材小用 或者 能力不足白花 钱 。

简单来说，如果你在做Agent相关的复杂任务，比如自动化代码审查、多步骤决策系统，那么， gpt-5是首选 。

如果是做客服机器人、内容生成这类需要平衡成本和效果的场景， gpt-5-mini很合适 。

而对于大批量的文本分类、简单的数据提取任务， gpt-5-nano能以极低的成本、极快的速度完成任务 。

输入输出能力对比

三个模型在功能支持上有些微妙的差异：

特性

GPT-5

GPT-5 mini

GPT-5 nano

文本输入

✅

✅

✅

图像输入

✅

✅

✅

文件输入

✅

❌

❌

文件输出

✅

❌

❌

Distillation

✅

✅

❌

Predicted outputs

✅

✅

❌

注意 ：只有gpt-5支持文件的输入输出。

你可能会想：如果我的应用需要处理PDF、Excel这类文件，那是不是就没办法省钱了？

当然不是，你截图或其他方式处理为图片或文本后再用啊！OpenAI 自然也是这样做的。

而nano虽然最便宜，但不支持Distillation（蒸馏，毕竟太小了）和Predicted outputs这两个高级玩法。

价格与速率

价格永远是开发者最关心的，但别忘了看速率限制。

先来看价格（每百万tokens）：

价格类型

GPT-5

GPT-5 mini

GPT-5 nano

输入价格

$1.25

$0.25

$0.05

缓存输入价格

$0.13

$0.03

$0.01

输出价格

$10.00

$2.00

$0.40

划重点 ：缓存输入价格能省90%的成本。

而且， 速度也会更快。

至于怎么能增加缓存命中……

简单来说： 重复的放前面、变化的放后面。

举例来说：用AB（第一次调用）、AC（第二次调用）而不是BA（第一次调用）、CA（第二次调用），前者的第二次会命中，命中率是tokens_A / (tokens_A + tokens_C)， 后者命中率是0.

A 可以是：固定的系统提示词、few-shot、RAG 内容、上下文……

详细原理则是：关于transformer 的QKV 计算……问AI 去吧，不是本文重点。

总之， 即使你不考虑省钱，也要考虑下速度啊。

当然，如果你用的中转站啥的，基本没这回事……

别问我为啥，问你的上级代理去吧。

另外，batch 调用也能打五折，离线场景可以用起来。

速率限制（TPM - Tokens Per Minute）

速率等级

GPT-5

GPT-5 mini

GPT-5 nano

Tier 1

30,000

200,000

200,000

Tier 2

450,000

2,000,000

2,000,000

Tier 3

800,000

4,000,000

4,000,000

Tier 4

2,000,000

10,000,000

10,000,000

Tier 5

40,000,000

180,000,000

180,000,000

我现在还只是tier 3，足够我日常用了倒是（其实我薅的免费用量也基本够用）。

上下文窗口

三个模型的上下文长度完全一致：40万的上下文窗口，12.8万的最大输出。

项目

所有GPT-5模型

Context Window

400,000 tokens

Max Output Tokens

128,000 tokens

推理努力级别

reasoning.effort 是GPT-5最需要关注的新参数，将直接影响模型的思考深度和响应速度。

这特别适合需要精细控制的场景，代码示例如下：

from openai import OpenAIclient = OpenAI()response = client.responses.create(    model="gpt-5",    input="How much gold would it take to coat the Statue of Liberty in a 1mm layer?",    reasoning={        "effort": "minimal"    })print(response)

比如，如果你在做 实时代码补全 ， minimal 级别能提供极快的响应；

但如果是在做 数学证明或复杂的业务逻辑分析 ， high 级别会给出更可靠的结果。

做在线教育的朋友可能要注意 ，对于不同难度的题目，动态调整这个参数能在用户体验和成本之间找到最佳平衡。

输出详细程度

verbosity 参数可以控制模型的话痨程度，这对优化用户体验和降低成本都很重要。

级别

特点

使用场景

low

简洁答案，最少注释

SQL查询、简单代码生成

medium（默认）

平衡的输出长度

通用对话和任务

high

详尽的解释和结构化代码

文档解释、大规模代码重构

代码示例如下：

from openai import OpenAIclient = OpenAI()response = client.responses.create(    model="gpt-5",    input="What is the answer to the ultimate question of life, the universe, and everything?",    text={        "verbosity": "low"    })print(response)

如果只是想快速生成一个SQL查询时， low 级别能给出干净的代码；

而当用户在学习或需要详细文档时， high 级别会提供带有详细注释的代码。

这会比通过prompt engineering来控制输出长度要稳定和可控得多。

新增功能

这可以说是 GPT-5 在工具调用和输出控制上的重大改进了。

这个 自定义工具 可以给开发工作带来更多的灵活性。

之前的function calling在这里，只能传个JSON，但现在则可以直接传个任意文本就可了，SQL查询、Shell命令、配置文件，甚至是整段代码都可以。

{    "type": "custom",    "name": "code_exec",    "description": "Executes arbitrary python code",}

CFG支持 则解决了输出格式控制的各种麻烦问题。

现在可以用Lark语法定义一个严格的输出格式，模型就会确保输出符合你的语法规则。

这对需要生成DSL、配置文件或特定格式代码的场景 极其有用 。

而 Preambles功能 让模型在调用工具前先解释意图，这不仅提高了可解释性，还能帮助调试和审计。

这可以 大大提升系统可调优空间 ，不再两眼一摸黑，不知是bug，feature 还是幻觉了。

其他功能一览

所有模型都支持如下核心功能：

Streaming ：流式输出，提升用户体验

Function calling ：工具调用，扩展模型能力

Structured outputs ：结构化输出，确保格式正确

Fine-tuning ：微调，适配特定场景

模型迁移建议

这里该 划重点 了。

如果你正在使用旧模型，下面这张表可以告诉你如何平滑迁移：

迁移时可以使用OpenAI提供的 提示词优化工具 ，它能自动根据GPT-5的特性调整提示词，省去大量试错时间。

我大概试了下，好不好用没测，prompt 的token 倒是变长了好多倍……

我可不会轻易上当。

总的来说，GPT-5虽然没有达到真正的AGI，但它在API设计、参数控制、工具调用等方面还是下了不少功夫，值得都试一试。

这些新特性提供了更精细的控制能力，用好了可以在成本、速度和效果之间找到最佳平衡点。