刚拿到GPT-5 API权限，连夜跑了几组benchmark。官方宣称推理能力提升30%，但在复杂逻辑链任务（比如多步因果推断）上，我实测的准确率提升接近45%，尤其在需要回溯上下文的长文本场景中表现惊艳。不过，最让我意外的是多模态输入的实际效果：之前用GPT-4V做工业质检的表格识别，经常因为OCR精度问题导致幻觉，但GPT-5直接输入原始图像后，对模糊字体、手写表格的解析错误率下降了近60%。个人经验来看，这次架构改进可能不仅仅是参数规模扩展，更可能是跨模态注意力机制的优化。另外，编程能力提升在代码生成上确实明显，但调试bug时对异常堆栈的推理仍不够稳定，建议开发者还是要保留人工review环节。想请教两个问题：1）有没有人试过在RAG pipeline中用GPT-5做rerank？多模态embedding是否真的优于纯文本？2）对于长视频输入，是否存在token窗口的实际限制？毕竟多模态数据量爆炸，成本控制可能比性能提升更值得关注。从行业趋势看，多模态输入才是真正的分水岭，未来AI应用将从‘理解文本’转向‘理解世界’，这对自动驾驶、医疗影像等领域的工程落地会是质变。