在AI领域，“一本正经地胡说八道”——即模型产生事实性错误（幻觉），始终是用户最大的痛点。而这一次，GPT-5带来了革命性的改进。
根据OpenAI公布的评测数据，GPT-5在“忠于事实”方面的表现远超前代：
常规模型对比： 在一段完整的对话回复中，GPT-5-main 出现重大幻觉的概率比 GPT-4o 降低了44%。
推理模型巅峰对决： 在同为旗舰推理模型的比较中，GPT-5-thinking 在一段回复中出现重大幻觉的概率，更是比公认的顶尖模型 Claude 3 Opus 惊人地降低了78%！
这意味着什么？一位Claude 3 Opus的重度用户在看到数据后直言：“我马上决定，捏着鼻子也要换用GPT-5-thinking了。”
他的理由非常充分。数据显示，Claude 3 Opus在一段回复中出现重大错误的概率超过20%——相当于每5段长回复，就有1段可能包含误导性的严重错误。而GPT-5-thinking将这个概率降至约5%，即约20段话里才可能出现1个重大错误。
尽管GPT-5-thinking的响应速度可能比Opus稍慢，但为了获得如此巨大的可靠性提升，短暂的等待是完全值得的。
有趣的是，评测还包含了“每段回复中正确断言的数量”这一指标。数据显示，GPT-5-thinking（约7.2个）和Opus（约7.7个）几乎持平。这揭示了一个更深层的信息：Opus之所以能给出相似数量的正确信息，是因为它更“话痨”，输出的内容更多。相比之下，GPT-5-thinking则更像一个“谨言慎行”的专家，在保证信息量的同时，极大地提升了准确度。
行业警钟：真实世界的幻觉率，远比测试集残酷
更具深远意义的是，OpenAI此次不仅发布了结果，还公开了其创新的评测方法，这无疑给整个AI行业敲响了警钟。
他们是如何做到精准评估的？
打造“AI裁判”：使用一个具备联网功能的强大语言模型作为自动“打分器”，对被测模型的输出进行评估，精准识别“重大错误”、“轻微错误”和观点总数。
验证“裁判”水平：让人类专家与AI打分器做同样的评估工作。结果显示，两者吻合度高达75%。而在那25%不一致的案例中，经过复核发现，AI打分器甚至比人类专家发现了更多的、被忽略的事实性错误。这证明了AI裁判的可靠性与高标准。
使用“真实世界”考题：最关键的一步，是放弃了业界常用的“干净”测试集（如LongFact），转而使用从海量真实用户与GPT对话中采集、构建的全新测试集。
这一对比，得出了一个惊人结论：在LongFact等标准测试集上，模型的幻觉率仅为千分之几。但在OpenAI的“真实世界”测试集上，幻觉率飙升至20%的量级。
这有力地证明了：现有的大部分行业标准测试集已经失效。 真实世界的用户提问、时效性信息、多语言混合、复杂的转述等情况，形成了一个“粗大而长尾”的难题分布，这是传统、干净的测试集根本无法覆盖的。OpenAI此举，无疑为行业设立了幻觉测试的新标杆。
国内如何第一时间用上更可靠的GPT-5？
面对GPT-5如此显著的性能提升，尤其是可靠性的飞跃，无论是开发者还是普通用户，都渴望第一时间体验。对于国内用户而言，一个高效、便捷的通道已经敞开。
在此，我们推荐小镜AI开放平台，它已在第一时间全面接入并支持GPT-5。
作为国内领先的多模型中继与管理平台，小镜AI为用户提供了“即插即用、智能调度、高性价比”的一站式体验：
✅ 无需折腾：彻底免去复杂的API申请、不稳定的网络环境配置和繁琐的海外支付流程，即开即用。
✅ 一站式体验：一个账号，即可在统一的界面中无缝体验、切换和对比GPT-5、Claude 3.5/Opus、Gemini 2.5等全球所有顶尖模型，找到最适合您业务的那一款。
✅ 高性价比：平台提供比官方更灵活、更具成本效益的计费方案，无论是个人尝鲜还是企业级应用，都能找到最合适的部署方式，低门槛享受技术红利。
✅ 地址：https://open.xiaojingai.com/register?aff=xeu4
