一、背景

在日常工作中，常需要通过各项数据指标，确保驱动版本项目进展正常推进，并通过各种形式报表数据，日常总结日报、周会进展、季度进行总结输出归因，分析数据变化原因，做出对应决策变化，优化运营方式，目前在梳理整理校准分析数据需要大量的时间投入、结合整体目标及当前进展，分析问题优化的后续规划。

常见形式

人工收集

数据来源依赖于各系统平台页面，通过人工收集校准后填写再通过表格公式计算，或者可以通过多维表格工作流触发通知等功能。

quickbi报表

通过ODPS搭建自定义报表，实现快速收集数据，复制报表到飞书文档内进行异动分析。

平台能力开发

通过代码开发文档导出能力，根据固定模板生成数据分析，该能力开发人力成本较高，需要针对不同平台数据源定制化开发。

AI Studio智能体平台

研发效能团队基于开源Dify项目社区部署，可以根据需求自定义sop，多模型的可选项，选择最适合业务的模型。每个工作流节点可自定义流程的判断分析，轻松上线可投产的AI Agents。

Dify是一个支持工作流编排的AI智能体平台，轻松构建并部署生产级 AI 应用。其核心功能包含：

1. 以工作流的方式编排AI应用，在工作流中可以添加LLM、知识库、Agent工具、MCP服务等节点，工作流支持分支流转、节点循环、自定义节点等高级能力项。

2. 支持在工作流中调用公司内部的Dubbo/gRPC服务。（插件实现）

3. 知识库管理，通过构建私有知识库以增强 LLM 的上下文。

4. 与内部平台集成，支持H5页面嵌入、API的方式与内部平台集成。

5. 主流模型集成，支持使用多种主流模型如DeepSeek、OpenAI等，支持多模态模型。

对标的业界产品有：

• 扣子：www.coze.cn

• FastGPT：tryfastgpt.ai

• n8n：n8n.io

✅ 多模型选择（适配不同业务场景）

✅ 可视化工作流搭建（支持自定义SOP）

✅ 全链路可观测性（实时调试优化）

综上本期实践利用AI工作流平台针对报告进行生成分析输出，让使用方回归到聚焦数据归因分析上，减少数据收集分析、文档编写成本。

二、应用实践

实践效果

整体分析数据从哪来->需要输出什么样的格式->优化模型输出结果，三步骤针对输出结果进行调优。

自动化成熟度分析工作流搭建案例

运用效果

※ 报告效果

※ 飞书机器人通知归因分析

数据处理

LLM：通过用户输入分析获取数据源请求格式，配置好对应数据的映射关系模型自行获取对应数据。

提示词输入

格式化输出配置

http请求：通过用户输入分析后的参数构造请求参数，通过固定接口拉取数据，支持curl导入功能。

代码执行：支持python、js代码对结果数据进行处理过滤，提升分析结果准确性。

模型提示词

如文档整体分为不同模块可设定不同模型节点处理，每个模块增加特定提示词处理节点内容，模型并行分析处理，提升输出稳定性和输出效率，再通过LLM输出整合进行整体输出。

在模型输入上下文及用户输入，通过获取的数据指定输出格式，设定提示词，提供AI结合模板输出对应形式。

通过衔接上下节点返回内容最终整合报表输出结果，统一输出样式格式。

优化输出

切换可用模型

遇到模型输出不稳定或者未达到预期效果，可切换可用模型，寻找适配模型。

设定模型预载参数

设定模型预载参数，提升模型输出准确度。

优化增加提示词

优化增加提示词提升输出形式稳定性：角色定义 ->  字段映射 -> 模板说明 -> 实际数据填充 -> 输出格式定义。

`## 角色定义 你是一位接口自动化测试专家以及报告生成专家，负责将接口返回的数据映射字段结合模板输出一份有效的自动化成熟度报告-稳定性部分。

接口返回数据字段映射关系：

基础字段： bu_name:业务域名称。 parent_bu_id:业务域。

稳定性指标字段： total_auto_stability_score：稳定性评分 iter_case_success_rate: 迭代自动化成功率 iter_case_success_rate_cpp: 迭代自动化成功率环比 auto_case_failed_rate: 自动化失败率 auto_case_failed_rate_cpp: 自动化失败率环比 case_aigc_avg_score: 用例健壮有效性评分 case_aigc_avg_score_cpp: 有效性评分环比

模板：

2.2 自动化稳定性 用表格展示自动化稳定性，表格内容包含所有一级业务域、二级业务域。 表头按照顺序输出： 1、业务域 2、自动化稳定性评分 3、迭代自动化成功率 4、迭代自动化成功率环比 5、自动化失败率 6、失败率环比 7、用例健壮有效性评分 8、有效性评分环比

重点关注项：xxx --仅分析二级业务域的稳定性性指标字段，列出需重点关注指标。

模板说明：

1、以html格式输出，增加内容丰富度，不输出任何多余内容。 2、表格说明：表格需要包含所有业务域数据。不要省略或者缺少任何业务域数据，将所有业务域展示在同一个表格内。 3、表格行排序：根据评分从高到低排序。 4、环比字段说明：指标环比下降环比字段标记红色，环比提升字段标记绿色，不标记背景色。

任务说明

1、用户将提供接口返回的JSON数据。 2、根据接口数据和匹配字段映射关系。 3、结合模板以及模板说明html形式输出，不输出任何多余内容。 请你根据以上内容，回复用户，不需要输出示例。`

模板转换

输出的表格形式通过模板转化固定输出html表格形式，提升模型输出稳定性。

输出形式

以markdown形式或以html形式输出，复制到飞书文档上进行输出。

html最终效果

markdown最终效果

飞书机器人通知归因分析

生成飞书文档

支持飞书应用直接新建飞书文档，markdown形式输出。

对话返回生成后的飞书文档地址及分析：

三、总结

在日常工作中如何有效利用数据指标驱动项目进展，现有数据收集和分析流程中面临的挑战。通过手动收集数据、生成报表、平台开发等传统方式，需要投入大量时间和人力资源，导致工作效率低下。

为此，引入了研发效能AI 智能体平台，AI工作流平台不仅改进了数据处理方式，还提升了报告生成的效率和准确性，从而增强了业务洞察力。进一步丰富工作流和知识库，提高对核心数据指标的分析能力，并针对异常数据指标进行细致剖析，为团队提供更深入的指导和支持。

此外，相似场景的处理也可以借助AI工作流进行优化，有望在多个业务领域推广应用。

四、后续规划

• 丰富工作流：丰富结合知识库，针对每项核心数据指标提升建议以及业务域现状给予业务域具体指导建议。

• 明细下钻分析：获取对应数据指标异常后，结合明细数据进行分析，具体到用例、人员级别。

• 类似场景可通过AI工作流处理：固定模板数据源报告类、周会均可使用该方法减少人工投入成本。

往期回顾

1.Rust 性能提升“最后一公里”：详解 Profiling 瓶颈定位与优化｜得物技术

2.Valkey 单点性能比肩 Redis 集群了？Valkey8.0 新特性分析｜得物技术

3.社区搜索离线回溯系统设计：架构、挑战与性能优化｜得物技术

4.正品库拍照PWA应用的实现与性能优化｜得物技术

5.得物社区活动：组件化的演进与实践

文 / 笠

关注得物技术，每周更新技术干货

要是觉得文章对你有帮助的话，欢迎评论转发点赞～

未经得物技术许可严禁转载，否则依法追究法律责任。

如果说有什么科技产品在被大量爆料后，依然能让人在凌晨蹲守直播，除了苹果 iPhone，就是 OpenAI 的 ChatGPT 了。

GPT-4 亮相后很长一段时间，都是 AI 友商的唯一对标。世界也开始逐渐接受一个事实：AI 正在越来越多的任务中展现出超越人类的能力。

今天，GPT-5 终于登场，把这条称作「及格线」的标准，再次抬高了一个维度。

第一时间体验 GPT-5！人人免费可用，马斯克表示不服

我们也第一时间上手 GPT-5，让它给自己的生日写首诗，满分十分，你觉得可以打几分？

还是经典的天气卡片环节，GPT-5 的 UI 审美质量相当能打。

我们在 Flowith 里也实测了 GPT-5 的编程能力。

详情可点击链接前往：第一时间体验 GPT-5！人人免费可用，马斯克表示不服

OpenAI CEO 山姆·奥特曼对 GPT-5 给出了极高评价，称其是此前所有模型的巨大飞跃，在他看来，拥有 GPT-5 这样的 AI 系统，在历史上任何时候都是难以想象的。

不过，发布会现场也上演了「翻车」环节，图表数据环节出现了明显「胡编乱造」的失误，连奥特曼也忍不住发文自嘲。

当然，马斯克也没有错过这个绝佳的「蹭热度」机会。

他表示 Grok 4 在 ARC-AGI 测试中击败了 GPT-5，还顺势拉踩一波，并剧透 Grok 5 将于今年年底前发布，预计表现将更加出色。

GPT-5 来了，编程、写作能力大提升，还要当你的 AI 医生

GPT-5 在编码、数学、写作、健康和视觉感知等多个领域都实现了显著提升，同时在减少幻觉、改进指令遵循和降低谄媚方面取得了重大进展。

GPT-5 采用了全新的统一系统设计，包含三个核心组件：一个高效的基础模型用于处理常规问题，一个具备深度推理能力的「GPT-5 thinking」模型专门应对复杂任务，以及一个实时路由器负责根据对话复杂度、工具需求等因素选择合适的模型。

这套「路由系统」会持续学习用户的切换行为、反馈偏好和答案准确性，不断优化分配策略。当用户达到使用限制时，系统会自动切换到各模型的精简版本继续服务。

据介绍，GPT‑5 是 OpenAI 迄今为止最强大的编码模型，能够处理复杂的前端开发和大型代码库调试工作。奥特曼表示：「根据需求即时生成的软件的理念将成为 GPT-5 时代的一个重要特征。」

比如它能通过一个提示就创建出功能完整、设计精美的网站、应用和游戏。根据以下提示词， GPT‑5 成功创建了一个名为「跳跃球跑者」的游戏，包含速度递增、计分系统、音效和视差滚动背景等所有要求功能。

「提示： 创建一个单页应用，要求如下，且全部写在一个 HTML 文件中：
– 名称：跳跃球跑者
– 目标：跳过障碍，尽可能长时间生存。
– 特点：速度逐渐加快，高分记录，重试按钮，以及动作和事件的有趣音效。
– 界面应色彩丰富，带有视差滚动背景。
– 角色应该看起来卡通化，观赏起来有趣。
– 游戏应该让每个人都感到愉快。」

写作方面，GPT-5 能够将粗糙想法转化为具有文学深度和节奏感的文本。

它在处理结构复杂的写作形式时更加可靠，比如能够保持格律，同时兼顾形式规范与表达清晰。这些改进让 ChatGPT 在日常文档处理、邮件撰写等任务中更加实用。

此外，GPT-5 还是 OpenAI 在健康相关问题上表现最佳的模型。

在基于真实场景和医生标准制定的 HealthBench 评估中，GPT-5 的得分远超以往所有模型。新模型能够主动发现潜在问题，提出针对性问题，并根据用户背景、知识水平和地理位置提供个性化建议。

奥特曼负责介绍 GPT-5 健康的这部分，在发布会现场，他邀请了 Carolina 和 Filipe 夫妇分享他们的亲身经历。

Carolina 曾在一周内被诊断出三种不同的癌症，在她把这些充满医学术语的报告丢给 ChatGPT 后，ChatGPT 在几秒钟内将复杂的内容，翻译成了她能理解的直白语言，帮助她更好地和医生沟通。

而在面对是否接受放射治疗，这一个连医生们的意见都没有办法统一的问题上，ChatGPT 为她详细分析了案例的细微差别、风险与收益等等，她说这比和医生聊三十分钟的收获都要更多。

当然，ChatGPT 并不能替代医疗专业人员，建议谨慎使用。

基准测试结果显示，GPT-5 在多项基准测试中刷新纪录：

• 数学能力：AIME 2025 （no tools）测试得分 94.6%
• 编程能力：SWE-bench Verified（With thinking）得分 74.9%，Aider Polyglot（With thinking）得分 88%
• 多模态理解：MMMU 得分 84.2%
• 健康领域：HealthBench Hard 得分 46.2%

GPT-5 在指令执行和自主调用工具的能力也有所提升，能够更加稳定地完成多步骤请求，灵活协调多个工具，并根据上下文智能调整行为策略，展现出更强的任务适应能力。

同时，GPT-5 在多项多模态基准测试中同样表现亮眼，覆盖视觉识别、视频理解、空间判断及科学推理等多个维度。得益于其更强的感知与推理能力，ChatGPT 现在能更准确地处理图像及其他非文本输入内容。

在 OpenAI 的内部基准测试中，GPT-5 在约 50% 的复杂知识工作任务中达到或超越专家水平，涵盖法律、物流、销售、工程等 40 多个职业领域，表现优于 o3 和 ChatGPT Agent。

OpenAI 特别强调，GPT-5 是在微软 Azure AI 超级计算机上训练的。

此外，GPT-5 在推理效率上也有突破。在视觉推理、编码和研究生级科学问题解决等任务中，GPT- 5的表现优于 OpenAI o3，但输出 token 数量减少了 50-80%。

幻觉问题一直是 AI 的老大难，而与 OpenAI 之前的模型相比，GPT-5 出现幻觉的可能性有了显著降低，模型在处理复杂、开放性问题时更加得心应手。

在代表 ChatGPT 生产环境流量的匿名测试中，GPT-5 的事实错误率比 GPT-4o 降低约 45%；启用推理功能时，错误率比 OpenAI o3 降低约 80%。

在开放性事实准确性基准 LongFact 和 FActScore 测试中，「GPT-5 thinking」的幻觉率比 o3 减少约六倍，标志着长篇内容生成准确性的显著提升。

除了事实准确性的提升，GPT-5（具备思考能力）还能更诚实地向用户传达其行为和能力。据模型安全研究负责人 Alex Beutel 称，OpenAI 对 GPT-5 进行了「超过五千小时」的测试，以了解其安全风险。

GPT-5 还引入了「安全完成（Safe Completion）」这一全新安全训练方式，让模型在保持安全边界的同时尽可能提供有用答案。当需要拒绝请求时，GPT-5 会透明地说明拒绝原因并提供安全替代方案。

在用户体验方面，GPT-5 减少了过度附和行为，在专门设计的谄媚测试中，谄媚回复率从 14.5% 降至不足 6%。新模型使用更少不必要的表情符号，回应更加细腻和深思熟虑。

此外，OpenAI 还为所有用户推出了四种预设个性：愤世嫉俗者、机器人、倾听者和书呆子，这些个性最初适用于文本聊天，晚些时候将上线语音。用户可根据个人喜好调整 ChatGPT 的交互风格。

在现场的演示中，语音交互变得非常自然且可控。

OpenAI 的研究员要求 GPT-5 从现在开始只用一个词回答问题，当被要求分享一句智慧之言时，GPT-5 回答：「Patience」（耐心）。发布会现场大家都笑了，主持人说这也许是模型在感谢大家耐心等待 GPT-5 的发布。

免费用户也能用，还有一款真香模型

取代 OpenAI o3-pro，OpenAI 还发布了 GPT-5 pro，这是 GPT-5 的一个变体，能够进行更长时间的思考，采用规模化但高效的并行测试时计算，能够提供最高质量和最全面的答案。

在 1000 多个具有经济价值的真实世界推理提示评估中，外部专家在 67.8 %的情况下更倾向选择 GPT-5 Pro，其重大错误率较 GPT-5 减少 22%，并且在健康、科学、数学和编码方面表现出色，获得专家们的一致好评。

GPT-5 今天开始成为 ChatGPT 的新默认模型，向所有 Plus、Pro、Team 和免费用户推出，Enterprise 和 Edu 用户将在一周后获得访问权限。

免费版用户每 5 小时可发送 10 条消息，Plus 用户每 3 小时可发送 80 条消息。

Pro 用户可无限制访问 GPT-5 及 GPT-5 Pro，免费用户达到使用限制后将自动切换到 GPT-5 mini。Pro、Plus 和 Team 用户还可以通过 ChatGPT 登录 Codex CLI，在开发环境中调用 GPT-5 来完成代码编写、调试等任务。

虽然 GPT-5 已对所有用户开放，但 ChatGPT 免费用户并不会立即获得完整的 GPT-5 使用体验。。一旦免费用户达到 GPT-5 的使用限制，他们将切换到更小、更快的精简版模型 GPT-5 mini。

面向开发者，OpenAI 还为 API 平台推出三个不同规格的版本：gpt-5、gpt-5-mini 和 gpt-5-nano，开发者可根据项目对性能、成本和响应速度的不同要求灵活选择。

GPT-5 支持回复 API、聊天完成 API 等主流接口，同时成为 Codex CLI 的默认模型。所有版本都具备reasoning_effort 和 verbosity 参数控制能力，以及自定义工具功能。

除基础对话能力外，GPT-5 还集成了并行工具调用、内置工具（网络搜索、文件处理、图像生成）、流式处理、结构化输出等核心功能，以及提示缓存和批量 API 等成本优化特性。

GPT-5 API 还推出四项核心新功能，大幅提升开发者的使用体验。

首先，通过 reasoning_effort 参数，开发者能根据不同任务场景，在最小、低、中、高四个档位间灵活切换。简单任务用最小档快速响应，复杂问题用高档深度思考，让开发者在回答质量和响应速度间找到最佳平衡点。

在回答详细程度上，verbosity 参数支持低、中、高三档设置，帮助控制回答的详细程度。比如在「天空为什么是蓝色」这一问题上，低档回答简洁明了，高档回答则包含详细的科学解释。

在工具调用方式上，新增的自定义工具功能支持纯文本格式，彻底告别 JSON 转义字符的困扰。处理大量代码或长文档时，开发者无需再为格式错误而烦恼。

值得注意的是，整个执行过程是可追踪，GPT-5会在执行工具调用时主动输出进度更新，让开发者了解 AI 的执行计划和当前状态。

另外，区别于 ChatGPT 中的 GPT-5 系统，API 版本专门针对开发者需求优化，更适合编程和 Agent 任务场景。

包括 Windsurf、Vercel、JetBrains 等知名开发工具和平台都对 GPT- 5给出积极评价。Windsurf 指出，GPT-5 在评估中达到最先进水平，「与其他前沿模型相比，工具调用错误率仅为其一半」。

GPT-5 的发布，对 Claude 而言可能是一记直击命门的重拳。

据外媒 The Information 报道，Anthropic 当前 50 亿美元的年化收入中，有超过六成来自 API，其中仅 Cursor 和 GitHub Copilot 这两家编程客户就贡献了 14 亿美元。这种把鸡蛋放在同一个篮子里的收入结构，恰恰暴露了 Anthropic 脆弱的软肋。

编程工具市场的残酷之处在于性能即一切，哪怕是 5% 的准确率提升，对开发者而言都意味着每天节省数小时的调试时间，过去 Claude 能在编程领域迅速崛起，很大程度上是因为 ChatGPT 在代码能力上的相对滞后。

但窗口期终有关闭的一天，伴随着 GPT-5 在代码编程任务和 Agent 能力的提升，结合 OpenAI 更强的生态绑定和产品分发渠道，一旦 Cursor 和 Copilot 回流 OpenAI，将极大撼动 Anthropic 的收入。

也许很快，我们就能看到 Claude 5 的到来。

作者：李超凡、莫崇宇、张子豪

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

时隔五年之后，OpenAI 刚刚正式发布两款开源权重语言模型——gpt-oss-120b和 gpt-oss-20b，而上一次他们开源语言模型，还要追溯到 2019 年的 GPT-2。

OpenAI 是真 open 了。

而今天 AI 圈也火药味十足，OpenAI 开源 gpt-oss、Anthropic 推出 Claude Opus 4.1（下文有详细报道）、Google DeepMind 发布 Genie 3，三大巨头不约而同在同一天放出王炸，上演了一出神仙打架。

OpenAI CEO Sam Altman（山姆·奥特曼）在社交媒体上的兴奋溢于言表：「gpt-oss 发布了！我们做了一个开放模型，性能达到o4-mini水平，并且能在高端笔记本上运行。为团队感到超级自豪，这是技术上的重大胜利。」

模型亮点概括如下：

• gpt-oss-120b：大型开放模型，适用于生产、通用、高推理需求的用例，可运行于单个 H100 GPU（1170 亿参数，激活参数为 51 亿），设计用于数据中心以及高端台式机和笔记本电脑上运行
• gpt-oss-20b：中型开放模型，用于更低延迟、本地或专业化使用场景（21B 参数，3.6B 激活参数），可以在大多数台式机和笔记本电脑上运行。
• Apache 2.0 许可证： 可自由构建，无需遵守 copyleft 限制或担心专利风险——非常适合实验、定制和商业部署。
• 可配置的推理强度： 根据具体使用场景和延迟需求，轻松调整推理强度（低、中、高）。完整的思维链： 全面访问模型的推理过程，便于调试并增强对输出结果的信任。此功能不适合展示给最终用户。
• 可微调： 通过参数微调，完全定制模型以满足用户的具体使用需求。
• 智能 Agent 能力： 利用模型的原生功能进行函数调用、 网页浏览 、Python 代码执行和结构化输出。
• 原生 MXFP4 量化： 模型使用 MoE 层的原生 MXFP4 精度进行训练，使得 gpt-oss-120b 能够在单个 H100 GPU 上运行，gpt-oss-20b 模型则能在 16GB 内存内运行。

OpenAI 终于开源了，但这次真不太一样

从技术规格来看，OpenAI 这次确实是「动真格」了，并没有拿出缩水版的开源模型敷衍了事，而是推出了性能直逼自家闭源旗舰的诚意之作。

据 OpenAI 官方介绍，gpt-oss-120b 总参数量为 1170 亿，激活参数为 51 亿，能够在单个 H100 GPU 上运行，仅需 80 GB 内存，专为生产环境、通用应用和高推理需求的用例设计，既可以部署在数据中心，也能在高端台式机和笔记本电脑上运行。

相比之下，gpt-oss-20b 总参数量为 210 亿，激活参数为 36 亿，专门针对更低延迟、本地化或专业化使用场景优化，仅需 16GB 内存就能运行，这意味着大多数现代台式机和笔记本电脑都能驾驭。

根据 OpenAI 公布的基准测试结果，gpt-oss-120b 在竞赛编程的 Codeforces 测试中表现优于 o3-mini，与o4-mini持平；在通用问题解决能力的 MMLU 和 HLE 测试中同样超越 o3-mini，接近 o4-mini 水平。

在工具调用的 TauBench 评测中，gpt-oss-120b 同样表现优异，甚至超过了像 o1 和 GPT-4o 这样的闭源模型；在健康相关查询的 HealthBench 测试和竞赛数学的 AIME 2024 及 2025 测试中，gpt-oss-120b 的表现甚至超越了 o4-mini。

尽管参数规模较小，gpt-oss-20b 在这些相同的评测中仍然表现出与 OpenAI o3-mini 持平或更优的水平，特别是在竞赛数学和健康领域表现尤为突出。

不过，虽然 gpt-oss 模型在健康相关查询的 HealthBench 测试中表现优异，但这些模型不能替代医疗专业人员，也不应用于疾病的诊断或治疗，建议谨慎使用。

与 API 中的 OpenAI o 系列推理模型类似，两个开放权重模型都支持低、中、高三种推理强度设置，允许开发者根据具体使用场景和延迟需求在性能与响应速度之间进行权衡。

从伯克利到 OpenAI，北大校友扛起开源大旗

我在 OpenAI 的 GPT-OSS 模型试玩平台上，向模型提出了一个经典的逻辑思维问题：「一根燃烧不均匀的绳子恰好需要一小时烧完，现有若干根这样的绳子，如何精确测量一小时十五分钟」

模型针对这道题目，分步骤呈现了完整的解题思路，配有清晰的时间线图表、原理阐释和要点总结，不过如果仔细观察，可以发现解题步骤还是相当繁琐的。

体验地址：https://www.gpt-oss.com/

据网友 @flavioAd 的测试反馈，GPT-OSS-20B 在经典的小球运动问题上表现出色，但却未能通过最高难度的经典六边形测试，且出现了较多语法错误，需要多次重试才能获得比较满意的结果。

网友 @productshiv 在配备 M3 Pro 芯片、18GB 内存的设备上，通过 Lm Studio 平台测试了 gpt-oss-20b 模型，一次性成功完成了经典贪吃蛇游戏的编写，生成速度达到 23.72 token/秒，且未进行任何量化处理。

有趣的是，网友 @Sauers_ 发现 gpt-oss-120b 模型有个独特的「癖好」——喜欢在诗歌创作中嵌入数学方程式。

此外，网友 @grx_xce 分享了 Claude Opus 4.1 与 gpt-oss-120b 两款模型的对比测试结果，你觉得哪个效果更好？

在这次历史性的开源发布背后，有一位技术人员值得特别关注——领导 gpt-oss 系列模型基础设施和推理工作的 Zhuohan Li。

「我很幸运能够领导基础设施和推理工作，使 gpt-oss 得以实现。一年前，我在从零开始构建 vLLM 后加入了 OpenAI——现在站在发布者的另一端，帮助将模型回馈给开源社区，这对我来说意义深远。」

公开数据显示，Zhuohan Li 本科毕业于北京大学，师从计算机科学领域的知名教授王立威与贺笛，打下了扎实的计算机科学基础。随后，他前往加州大学伯克利分校攻读博士学位，在分布式系统领域权威学者 Ion Stoica 的指导下，在伯克利 RISE 实验室担任博士研究员近五年时间。

他的研究聚焦于机器学习与分布式系统的交叉领域，特别专注于通过系统设计来提升大模型推理的吞吐量、内存效率和可部署性——这些正是让 gpt-oss 模型能够在普通硬件上高效运行的关键技术。

在伯克利期间，Zhuohan Li 深度参与并主导了多个在开源社区产生深远影响的项目。作为 vLLM 项目的核心作者之一，他通过 PagedAttention 技术，成功解决了大模型部署成本高、速度慢的行业痛点，这个高吞吐、低内存的大模型推理引擎已被业界广泛采用。

他还是 Vicuna 的联合作者，在开源社区引起了巨大反响。此外，他参与研发的 Alpa 系列工具推动了模型并行计算和推理自动化的发展。

学术方面，根据 Google Scholar 的数据，Zhuohan Li 的学术论文引用量已超过 15000次，h-index 达到 18。他的代表性论文如 MT-Bench 与 Chatbot Arena、Vicuna、vLLM 等均获得数千次引用，在学术界产生了广泛影响。

不只是大，藏在 gpt-oss 背后的架构创新

要理解这两款模型为何能够实现如此出色的性能，我们需要深入了解其背后的技术架构和训练方法。
gpt-oss 模型采用 OpenAI 最先进的预训练和后训练技术进行训练，特别注重推理能力、效率以及在各种部署环境中的实际可用性。

这两款模型都采用了先进的Transformer架构，并创新性地利用专家混合（MoE）技术来大幅减少处理输入时所需激活的参数数量。

模型采用了类似 GPT-3 的交替密集和局部带状稀疏注意力模式，为了进一步提升推理和内存效率，还使用了分组多查询注意力机制，组大小设置为 8。通过采用旋转位置编码（RoPE）技术进行位置编码，模型还原生支持最长 128k 的上下文长度。

在训练数据方面，OpenAI 在一个主要为英文的纯文本数据集上训练了这些模型，训练内容特别强调 STEM 领域知识、编码能力和通用知识。

与此同时，OpenAI 这次还同时开源了一个名为 o200k_harmony 的全新分词器，这个分词器比 OpenAI o4-mini 和 GPT-4o 所使用的分词器更加全面和先进。

更紧凑的分词方式可以让模型在相同上下文长度下处理更多内容。比如原本一句话被切成 20 个 token，用更优分词器可能只需 10 个。这对长文本处理尤其重要。

除了强大的基础性能外，这些模型在实际应用能力方面同样表现出色，gpt-oss 模型兼容 Responses API，支持包括原生支持函数调用、网页浏览、Python 代码执行和结构化输出等功能。

举例而言，当用户询问 gpt-oss-120b 过去几天在网上泄露的细节时，模型会首先分析和理解用户的请求，然后主动浏览互联网寻找相关的泄露信息，连续调用浏览工具多达 27 次来搜集信息，最终给出详细的答案。

值得一提的是，从上面的演示案例中可以看到，此次模型完整提供了思维链（Chain of Thought）。OpenAI 给出的说法是，他们特意没有对链式思维部分进行「驯化」或优化，而是保持其「原始状态」。

在他们看来，这种设计理念背后有深刻的考虑——如果一个模型的链式思维没有被专门对齐过，开发者就可以通过观察它的思考过程来发现可能存在的问题，比如违反指令、企图规避限制、输出虚假信息等。

因此，他们认为保持链式思维的原始状态很关键，因为这有助于判断模型是否存在欺骗、滥用或越界的潜在风险。
举例而言，当用户要求模型绝对不允许说出「5」这个词，任何形式都不行时，模型在最终输出中确实遵守了规定，没有说出「5」，但

如果查看模型的思维链，就会发现模型其实在思考过程中偷偷提到了「5」这个词。

当然，对于如此强大的开源模型，安全性问题自然成为业界最为关注的焦点之一。

在预训练期间，OpenAI 过滤掉了与化学、生物、放射性等某些有害数据。在后训练阶段，OpenAI 也使用了对齐技术和指令层级系统，教导模型拒绝不安全的提示并防御提示注入攻击。

为了评估开放权重模型可能被恶意使用的风险，OpenAI进行了前所未有的「最坏情况微调」测试。他们通过在专门的生物学和网络安全数据上微调模型，针对每个领域创建了一个领域特定的非拒绝版本，模拟攻击者可能采取的做法。
随后，通过内部和外部测试评估了这些恶意微调模型的能力水平。

正如 OpenAI 在随附的安全论文中详细说明的那样，这些测试表明，即使利用 OpenAI 领先的训练技术进行强有力的微调，这些恶意微调的模型根据公司的准备度框架也无法达到高危害能力水平。这个恶意微调方法经过了三个独立专家组的审查，他们提出了改进训练过程和评估的建议，其中许多建议已被 OpenAI 采纳并在模型卡中详细说明。

OpenAI 开源的诚意几何？

在确保安全的基础上，OpenAI 在开源策略上展现出了前所未有的开放态度。

两款模型都采用了宽松的 Apache 2.0 许可证，这意味着开发者可以自由构建、实验、定制和进行商业部署，无需遵守 copyleft 限制或担心专利风险。

这种开放的许可模式非常适合各种实验、定制和商业部署场景。

同时，两个 gpt-oss 模型都可以针对各种专业用例进行微调——更大的 gpt-oss-120b 模型可以在单个 H100 节点上进行微调，而较小的 gpt-oss-20b 甚至可以在消费级硬件上进行微调，通过参数微调，开发者可以完全定制模型以满足特定的使用需求。

模型使用了 MoE 层的原生 MXFP4 精度进行训练，这种原生 MXFP4 量化技术使得 gpt-oss-120b 能够在仅 80GB 内存内运行，而 gpt-oss-20b 更是只需要 16GB 内存，极大降低了硬件门槛。

OpenAI 在模型后训练阶段加入了对 harmony 格式的微调，让模型能更好地理解和响应这种统一、结构化的提示格式。为了便于采用，OpenAI 还同时开源了 Python 和 Rust 版本的 harmony 渲染器。

此外，OpenAI 还发布了用于 PyTorch 推理和苹果 Metal 平台推理的参考实现，以及一系列模型工具。

技术创新固然重要，但要让开源模型真正发挥价值，还需要整个生态系统的支持。为此，OpenAI 在发布模型前与许多第三方部署平台建立了合作关系，包括 Azure、Hugging Face、vLLM、Ollama、llama.cpp、LM Studio 和 AWS 等。

在硬件方面，OpenAI 与英伟达、AMD、Cerebras 和 Groq 等厂商都有合作，以确保在多种系统上实现优化性能。

根据模型卡披露的数据，gpt-oss 模型在英伟达 H100 GPU上使用 PyTorch 框架进行训练，并采用了专家优化的 Triton 内核。

模型卡地址：
https://cdn.openai.com/pdf/419b6906-9da6-406c-a19d-1bb078ac7637/oai_gpt-oss_model_card.pdf

其中，gpt-oss-120b 的完整训练耗费了 210 万H100 小时，而 gpt-oss-20b 的训练时间则缩短了近 10倍 。两款模型都采用 了Flash Attention 算法，不仅大幅降低了内存需求，还加速了训练过程。

有网友分析认为，gpt-oss-20b 的预训练成本低于 50 万美元。

英伟达 CEO 黄仁勋也借着这次合作打了波广告：「OpenAI 向世界展示了基于英伟达 AI 可以构建什么——现在他们正在推动开源软件的创新。」

而微软还特别宣布将为 Windows 设备带来 GPU 优化版本的 gpt-oss-20b 模型。该模型由 ONNX Runtime 驱动，支持本地推理，并通过 Foundry Local 和 VS Code 的 AI 工具包提供，使 Windows 开发者更容易使用开放模型进行构建。

OpenAI 还与早期合作伙伴如 AI Sweden、Orange 和 Snowflake 等机构深入合作，了解开放模型在现实世界中的应用。这些合作涵盖了从在本地托管模型以保障数据安全，到在专门的数据集上进行微调等各种应用场景。

正如奥特曼在后续发文中所强调的那样，这次开源发布的意义远不止于技术本身。他们希望通过提供这些一流的开放模型，赋能每个人——从个人开发者到大型企业再到政府机构——都能在自己的基础设施上运行和定制 AI。

One More Thing

就在 OpenAI 宣布开源 gpt-oss 系列模型的同一时期，Google DeepMind 发布世界模型 Genie 3，一句话就能实时生成可交互世界；与此同时，Anthropic 也推出了重磅更新——Claude Opus 4.1。

Claude Opus 4.1 是对前代 Claude Opus 4 的全面升级，重点强化了 Agent 任务执行、编码和推理能力。

目前，这款新模型已向所有付费 Claude 用户和 Claude Code 用户开放，同时也已在Anthropic API、亚马逊 Bedrock 以及 Vertex AI 平台上线。

在定价方面，Claude Opus 4.1 采用了分层计费模式：输入处理费用为每百万 token 15 美元，输出生成费用为每百万 token 75 美元。

写入缓存的费用为每百万 token 18.75 美元，而读取缓存仅需每百万 token 1.50 美元，这种定价结构有助于降低频繁调用场景下的使用成本。

基准测试结果显示，Opus 4.1 将在 SWE-bench Verified 达到了74.5%的成绩，将编码性能推向了新高度。此外，它还提升了 Claude 在

深度研究和数据分析领域的能力，特别是在细节跟踪和智能搜索方面。

来自业界的反馈印证了 Opus 4.1 的实力提升。比如 GitHub 官方评价指出，Claude Opus 4.1 在绝大多数能力维度上都超越了Opus 4，其中多文件代码重构能力的提升尤为显著。

Windsurf 则提供了更为量化的评估数据，在其专门设计的初级开发者基准测试中，Opus 4.1 相比 Opus 4 提升了整整一个标准差，这种性能跃升的幅度大致相当于从Sonnet 3.7 升级到 Sonnet 4 所带来的改进。

Anthropic 还透露将在未来几周内发布对模型的重大改进，考虑到当前 AI 技术迭代之快，这是否意味着 Claude 5 即将登场？

迟来的「Open」，是开始还是结束

五年，对于 AI 行业来说，足够完成从开放到封闭，再从封闭回归开放的一个轮回。

当年那个以「Open」为名的OpenAI，在经历了长达五年的闭源时代后，终于用 gpt-oss 系列模型向世界证明，它还记得自己名字里的那个「Open」。

只是这次回归，与其说是初心不改，不如说是形势所迫。时机说明了一切，就在 DeepSeek 等开源模型攻城略地，开发者社区怨声载道之际，OpenAI 才宣布开源模型，历经一再跳票之后，今天终于来到我们面前。

奥特曼一月份那句坦诚的表态——「我们在开源方面一直站在历史的错误一边」，道出了这次转变的真正原因。DeepSeek 们带来的压力是实实在在的，当开源模型的性能不断逼近闭源产品，继续固守封闭无异于把市场拱手让人。

有趣的是，就在 OpenAI 宣布开源的同一天，Anthropic 发布的 Claude Opus 4.1 依然坚持闭源路线，市场反应却同样热烈。

两家公司，两种选择，却都收获了掌声，展现了 AI 行业最真实的图景——没有绝对正确的道路，只有最适合自己的策略。OpenAI 用有限开源挽回人心，Anthropic 靠闭源守住技术壁垒，各有各的算盘，也各有各的道理。

但有一点是确定的，无论对开发者还是用户，这都是最好的时代。你既可以在自己的笔记本上运行一个性能堪堪够用的开源模型，也可以通过 API 调用性能更强的闭源服务。选择权，始终掌握在使用者手中。

至于 OpenAI 的「open」能走多远？等 GPT-5 发布时就知道了。

我们不必抱太大希望，商业的本质从未改变，最好的东西永远不会免费，但至少在这个被 DeepSeek 们搅动的 2025 年，我们终于等到了 OpenAI 迟来的「Open」。

附上博客地址：
https://openai.com/index/introducing-gpt-oss/

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博