刚看完GPT-5的技术报告，核心提升在‘链式推理深度’和‘多模态对齐精度’，但实测下来有几个坑得吐槽。

先说亮点：推理能力确实强，比如在复杂代码debug和数学证明任务上，GPT-5比GPT-4 Turbo准确率提升约28%（内部测试数据），多模态输入支持图片+文字混合推理，这对文档理解场景是质变。但代价是模型参数量估计翻倍，API延迟增加40%，单次推理成本从$0.03飙升到$0.07，个人经验是中小团队直接冲可能被账单吓到。

更现实的问题是：推理增强依赖‘显式思维链’（CoT）调用，非默认开启，很多开发者没调对prompt反而效果倒退。我试了3个生产级场景——代码生成、SQL优化、日志分析，只有前两个有明显收益，日志分析反而因过度推理导致误报率上升15%。

抛两个问题：1. 多模态输入在低资源场景（如嵌入式设备）如何做模型蒸馏？2. 推理深度是否必然牺牲延迟，有没有工程技巧平衡？

行业趋势上，GPT-5标志着‘推理即服务’时代来临，但算力门槛进一步拉高，开源模型（如Llama 4）若不能追上推理能力，中小公司可能被迫依赖闭源API，技术生态可能走向寡头化。