看了OpenAI发布的GPT-5技术报告，我第一反应是：推理能力提升30%确实亮眼，但别被这个数字带偏了。真正让我兴奋的是多模态输入的全面开放——图片、音频、视频直接作为输入，不再依赖外挂OCR或ASR模块。这意味着什么？实测中，我扔给它一段嘈杂会议录音和现场照片，它能同时定位发言者情绪和PPT内容错误，这种跨模态对齐能力，前代根本做不到。

从个人经验看，之前用GPT-4做代码审查时，遇到复杂逻辑嵌套经常答非所问，而GPT-5在LeetCode Hard级题目上的正确率从52%跳到78%，这已经不是增量改进，而是质变。但有个细节值得警惕：官方报告里没提模型参数量，我怀疑是MoE架构的稀疏激活，推理成本可能不降反升。

抛两个问题给大家：一是多模态输入会不会让AI安全边界更难控制？比如恶意视频直接触发越狱。二是编程能力大幅提升后，我们这些做AI工程的人，是不是该把重心从调模型转向调数据管道了？

长远看，GPT-5把多模态拉到一个实用级，会倒逼整个行业从纯文本竞赛转向跨模态生态建设。接下来半年，我赌会有一波创业公司专攻垂直场景的多模态微调。