刚读完OpenAI的GPT-5技术文档，作为用GPT-4做过半年OCR管线的人，最让我兴奋的不是那堆benchmark数字，而是多模态理解的底层变化。之前GPT-4V在处理图表时经常把坐标轴标签读反，尤其在表格和流程图混合的场景下，需要额外写一层后处理逻辑来纠偏。GPT-5这次在多模态对齐上用了新的注意力机制，实测在金融报表OCR任务中，数值提取准确率从82%跳到了94%，而且不再依赖prompt模板去硬编码格式。

不过，推理能力的提升是有代价的。我用一个法律合同摘要测试集跑了一下，GPT-5的推理延迟比GPT-4高了约40%，token消耗也涨了30%左右。对于实时对话场景，这个成本增量可能不划算。个人经验是，目前更适合把GPT-5用在离线批处理或对逻辑一致性要求极高的场景，比如代码审查报告的自动生成。

抛两个问题给各位：1）GPT-5的推理路径是否可解释？官方没提，但我觉得要真正用于医疗或金融合规，必须能审计决策过程。2）多模态输入的token限制是否有变化？如果还是4K，那长文档分析依然得靠分块策略，效果会打折扣。

从行业看，GPT-5把多模态推理的门槛又抬高了，小团队想靠微调追赶几乎不可能，未来可能形成“通用推理由巨头提供，垂直场景靠小模型优化”的两极格局。