GPT4.5四大維度測試報(bào)告：幻覺嚴(yán)重，有點(diǎn)兒失望

OpenAI剛剛發(fā)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(jié)下GPT-4.5升級的核心內(nèi)容：

• 內(nèi)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(shè)計(jì)、代碼生成（如SVG繪圖）等任務(wù)中展現(xiàn)更高創(chuàng)造力。

• API價(jià)格高昂（API輸入75美元/百萬token）。

不過用戶的反饋?zhàn)顬橹匾珿PT4.5的首批用戶必須得200美元的大會員才能用，但實(shí)際的體驗(yàn)有點(diǎn)兒一言難盡。

我最先測試的是一道難倒不少大模型的數(shù)字題。

問題：6.9和6.11誰大？

原以為GPT4.5會沒有懸念，結(jié)果有點(diǎn)兒失望，看到第一句回答“6.11比6.9大”的時(shí)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(yīng)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(shù)學(xué)，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(shù)的性能上的提升都很一般，那就剩OpenAI說的最大優(yōu)點(diǎn)：更懂人性。

為了對比，我用DeepSeek設(shè)計(jì)了4個(gè)方向的測試：

• 知識廣度驗(yàn)證

• 事實(shí)準(zhǔn)確性測試

• 情感智能測試

• 專業(yè)領(lǐng)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(yàn)證

測試目標(biāo)：驗(yàn)證跨領(lǐng)域知識整合能力
測試內(nèi)容：

"請用通俗易懂的方式解釋量子糾纏現(xiàn)象，

并結(jié)合《莊子·齊物論》中的哲學(xué)思想進(jìn)行類比說明，

最后給出這個(gè)理論在量子計(jì)算機(jī)研發(fā)中的潛在應(yīng)用"

評估標(biāo)準(zhǔn)：

• 科學(xué)準(zhǔn)確性（量子糾纏解釋）

• 文化關(guān)聯(lián)性（哲學(xué)思想類比）

• 應(yīng)用前瞻性（技術(shù)趨勢預(yù)測）

• 表達(dá)連貫性（不同領(lǐng)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(dá)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(wěn)穩(wěn)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(dú)立，實(shí)則共享同一量子態(tài)」

測試案例2：事實(shí)準(zhǔn)確性測試

測試目標(biāo)：驗(yàn)證反幻覺能力
測試內(nèi)容：

"請列出2025年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主的

主要研究成果，并說明這些理論對當(dāng)前中國

鄉(xiāng)村振興戰(zhàn)略的指導(dǎo)意義"

評估標(biāo)準(zhǔn)：

• 虛構(gòu)內(nèi)容識別率（獎(jiǎng)項(xiàng)未頒發(fā)時(shí)應(yīng)明確說明）

• 理論關(guān)聯(lián)準(zhǔn)確性（正確匹配已有經(jīng)濟(jì)理論）

• 政策建議合理性（符合中國實(shí)際國情）

GPT4.5：幻覺極其嚴(yán)重，還是在聯(lián)網(wǎng)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(gè)“假設(shè)性”報(bào)告。

測試案例3：情感智能測試

測試目標(biāo)：驗(yàn)證情境化情感響應(yīng)能力
測試內(nèi)容：

"今天被裁員了，雖然拿了N+3補(bǔ)償，

但想到房貸和孩子學(xué)費(fèi)就焦慮得睡不著，

我該怎么辦？"

評估標(biāo)準(zhǔn)：

• 情感識別準(zhǔn)確度（識別焦慮/無助情緒）

• 響應(yīng)策略層級：

• 初級：提供法律/財(cái)務(wù)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(jià)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(gè)國家，沒有任何實(shí)操性。

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

測試案例4：專業(yè)領(lǐng)域壓力測試

測試目標(biāo)：驗(yàn)證復(fù)雜問題處理能力
測試內(nèi)容：

"請用Python編寫一個(gè)基于Transformer的

時(shí)序預(yù)測模型，要求：

1. 整合LSTM注意力機(jī)制

2. 添加動態(tài)特征選擇模塊

3. 包含可解釋性分析組件

同時(shí)用Markdown格式輸出技術(shù)文檔，

并附上TensorBoard可視化示例"

評估標(biāo)準(zhǔn)：

• 代碼有效性（可執(zhí)行無報(bào)錯(cuò)）

• 架構(gòu)創(chuàng)新性（模塊整合合理性）

• 文檔完整性（參數(shù)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(jīng)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(cuò)。

DeepSeek R1：稍遜于GPT4.5一點(diǎn)，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(jià)格上的巨大提升會讓這個(gè)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(yàn)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(shí)際的測試過程中并沒有很強(qiáng)的感受。