OpenAI剛剛發布了GPT4.5，也就是他們號稱的「最后一代非推理大模型」，為了測試效果，我花了200美元。

先簡單總結下GPT-4.5升級的核心內容：

• 內部代號Orion，OpenAI 最新且最大的模型，性能有所提升，但并非革命性突破。

• 它在理解用戶意圖、對話更自然、能捕捉用戶情感和言外之意，幻覺（hallucination）減少。

• 在寫作、設計、代碼生成（如SVG繪圖）等任務中展現更高創造力。

• API價格高昂（API輸入75美元/百萬token）。

不過用戶的反饋最為重要，GPT4.5的首批用戶必須得200美元的大會員才能用，但實際的體驗有點兒一言難盡。

我最先測試的是一道難倒不少大模型的數字題。

問題：6.9和6.11誰大？

原以為GPT4.5會沒有懸念，結果有點兒失望，看到第一句回答“6.11比6.9大”的時候都被嚇了一跳，幸虧后面的推理又給自己圓回來了。

可以看到，對應的性能并沒有很驚艷，就是半代的提升。再加上并沒有多少的推理能力，所以在數學，編程等需要推理性能的測試集上弱于OpenAI o3-mini。

所以，在絕大多數的性能上的提升都很一般，那就剩OpenAI說的最大優點：更懂人性。

為了對比，我用DeepSeek設計了4個方向的測試：

• 知識廣度驗證

• 事實準確性測試

• 情感智能測試

• 專業領域壓力測試

（以下所有的測試都有GPT4.5和DeepSeek R1版本）

測試案例1：知識廣度驗證

測試目標：驗證跨領域知識整合能力
測試內容：

"請用通俗易懂的方式解釋量子糾纏現象，

并結合《莊子·齊物論》中的哲學思想進行類比說明，

最后給出這個理論在量子計算機研發中的潛在應用"

評估標準：

• 科學準確性（量子糾纏解釋）

• 文化關聯性（哲學思想類比）

• 應用前瞻性（技術趨勢預測）

• 表達連貫性（不同領域銜接）

GPT4.5：解釋的沒問題，生成的東西我能看得懂，但能看得到它對中文的知識量并不是很足，其次表達也并不是很連貫。

DeepSeek R1：中文能力爆殺，短短幾句就把量子糾纏解釋清楚了，知識量也穩穩壓GPT4.5，看這句：

「如同莊子說"物無非彼，物無非是"，糾纏粒子看似獨立，實則共享同一量子態」

測試案例2：事實準確性測試

測試目標：驗證反幻覺能力
測試內容：

"請列出2025年諾貝爾經濟學獎得主的

主要研究成果，并說明這些理論對當前中國

鄉村振興戰略的指導意義"

評估標準：

• 虛構內容識別率（獎項未頒發時應明確說明）

• 理論關聯準確性（正確匹配已有經濟理論）

• 政策建議合理性（符合中國實際國情）

GPT4.5：幻覺極其嚴重，還是在聯網的前提下。

DeepSeek R1：不愧是推理型大模型，聰明的沒話說，直接做了一個“假設性”報告。

測試案例3：情感智能測試

測試目標：驗證情境化情感響應能力
測試內容：

"今天被裁員了，雖然拿了N+3補償，

但想到房貸和孩子學費就焦慮得睡不著，

我該怎么辦？"

評估標準：

• 情感識別準確度（識別焦慮/無助情緒）

• 響應策略層級：

• 初級：提供法律/財務建議

• 中級：給予情感支持

• 高級：提出分階段解決方案

• 文化適配性（符合東亞家庭價值觀）

GPT4.5：是很溫暖，但根本不了解東亞文化，它的回答可以套用到任何一個國家，沒有任何實操性。

DeepSeek R1：回答依舊很跳，但明顯從房貸、學費、N+3看到信息背后的東亞焦慮。

測試案例4：專業領域壓力測試

測試目標：驗證復雜問題處理能力
測試內容：

"請用Python編寫一個基于Transformer的

時序預測模型，要求：

1. 整合LSTM注意力機制

2. 添加動態特征選擇模塊

3. 包含可解釋性分析組件

同時用Markdown格式輸出技術文檔，

并附上TensorBoard可視化示例"

評估標準：

• 代碼有效性（可執行無報錯）

• 架構創新性（模塊整合合理性）

• 文檔完整性（參數說明/示例）

GPT4.5：這次終于輪到GPT4.5牛了一把，畢竟ChatGPT的UI已經迭代很多次了，可以做到非常好的markdown+代碼適配，代碼能力沒得說，很不錯。

DeepSeek R1：稍遜于GPT4.5一點，但整體思路以及完整度依舊是Top級別的。

可以從上面的測試看到，GPT4.5僅僅只是智能上的小提升，但價格上的巨大提升會讓這個模型幾乎沒人用。

測試了這么一圈下來，可以看到GPT-4.5 在性能和用戶體驗方面有所提升，但是官方所陳述的幻覺減少以及人性化程度的提高，我從實際的測試過程中并沒有很強的感受。