GPT-5

Стандартный бенчмарк по различным академическим дисциплинам с комплексной оценкой знаний. • Self-reported

Режим размышления включен (до 128K токенов) с улучшенными возможностями рассуждения и итеративным подходом к решению проблем. • Self-reported

Бенчмарк генерации кода с заданиями по завершению функций на Python. • Self-reported

Включен режим размышления с пошаговым решением и проверкой математических задач. • Self-reported

GPT-5 - Diamond-мышление без инструментов Эта методика использует специальный режим размышления, который сильно отличается от более стандартного "медленного и тщательного" мышления. Основное различие заключается в том, что мы используем так называемый "diamond-thinking" (алмазное мышление) - метод, разработанный Себастьяном Бубеком, где модель: 1. Начинает с ОЧЕНЬ широкого взгляда на проблему, продумывая множество различных подходов и возможных связей 2. Постепенно сужает фокус до наиболее перспективных идей 3. Проверяет эти идеи на прочность, тщательно оценивая их 4. Наконец, расширяет лучшую идею в полное, детальное решение Этот подход особенно эффективен для математических и физических задач, требующих творческого мышления для поиска нестандартного решения. Во многих случаях модель достигает точного, правильного решения, которое не было бы найдено при использовании более линейных методов мышления. Поскольку мы не используем инструменты, результаты можно напрямую сравнивать с версиями, где применяются инструменты, чтобы лучше понять их влияние на производительность модели. • Self-reported

GPT-5 с режимом размышления - Решение визуальных задач университетского уровня с мультимодальным рассуждением. • Self-reported

Включен режим размышления (до 128 тысяч токенов) с пошаговыми рассуждениями и пониманием кода на разных языках программирования. • Self-reported

GPT-5 - IC SWE Diamond Freelance Coding Tasks (оценка на основе заработка). • Self-reported

GPT-5 standard с включенным режимом размышления (без инструментов) - соревновательная математика. • Self-reported

Режим размышления активирован для обнаружения медицинских галлюцинаций. Измерены неточности в сложных диалогах на темы здравоохранения. • Self-reported

GPT-5 standard с включенным режимом размышления (только с инструментом python) - математика экспертного уровня FrontierMath уровней 1-3. • Self-reported

GPT-5 standard с включенным режимом размышления (без инструментов) - Harvard-MIT Mathematics Tournament. • Self-reported

GPT-5 standard с режимом размышления (без инструментов) - Полный набор вопросов экспертного уровня по различным предметам. • Self-reported

GPT-5 с включенным режимом размышления - Бенчмарк выполнения многоэтапных инструкций. • Self-reported

GPT-5 с включенным режимом размышления - Бенчмарк агентного поиска и просмотра веб-страниц. • Self-reported

GPT-5 с включенным режимом размышления - Следование инструкциям в свободной форме письма. • Self-reported

GPT-5 с оценщиком o3-mini - Бенчмарк многоходового выполнения инструкций с улучшенной точностью оценки. • Self-reported

GPT-5 - Оценка выполнения инструкций через внутренний API (высокая сложность). • Self-reported

GPT-5 - Бенчмарк вызова функций (авиационная сфера). • Self-reported

GPT-5 с режимом размышления - Бенчмарк вызова функций (розничная сфера). • Self-reported

GPT-5 с режимом размышления - Бенчмарк вызова функций (телекоммуникационная область). • Self-reported

GPT-5 с режимом размышления - решение визуальных задач университетского уровня с применением продвинутого мультимодального рассуждения. • Self-reported

GPT-5 с режимом размышления - Видео-основанное мультимодальное рассуждение (максимум 256 кадров). • Self-reported

GPT-5 с режимом размышления - Рассуждение и интерпретация научных графиков. • Self-reported

GPT-5 с режимом размышления - Мультимодальное пространственное мышление. • Self-reported

OpenAI-MRCR - двухигольный поиск при 128 тысячах токенов. • Self-reported

OpenAI-MRCR 2-needle retrieval при 256 тысячах токенов. • Self-reported

Поиск в ширину графовых путей (Graphwalks BFS) (<128k) для рассуждений с большим контекстом. • Self-reported

Графические проходы, основанные на родительских связях (<128k), для рассуждений с длинным контекстом. • Self-reported

BrowseComp вариант с длинным контекстом 128k. • Self-reported

BrowseComp вариант с длинным контекстом 256k. • Self-reported

VideoMME (long) с субтитрами — категория. • Self-reported

Включен режим размышления для обнаружения галлюцинаций. Измерения проведены на открытых промптах для концептуальных фактологических запросов. • Self-reported

Режим размышления включен для обнаружения галлюцинаций. Измерено на открытых промптах для фактологических запросов, основанных на объектах. • Self-reported

Режим размышления активирован для оценки фактической точности. Измерен уровень галлюцинаций на открытых промптах. • Self-reported