self-llm是什么

self-llm （开源大模型食用指南）是Datawhale专为国内初学者打造的开源大模型教程，基于Linux平台，提供从环境配置到模型部署、微调的全流程指导，涵盖LLaMA、ChatGLM等主流模型。项目能简化开源大模型的使用流程，帮助学生和研究者快速上手。教程提供多种模型的详细教程、微调方法（如LoRA、ptuning）及应用案例，适合不同层次的学习者。项目鼓励社区参与，共同完善内容，推动开源大模型的普及和应用。

self-llm的主要功能

• 环境配置指导：提供基于Linux平台的开源大模型环境配置指南，帮助用户搭建适合不同模型运行的基础环境。
• 模型部署教程：涵盖国内外主流开源大模型（如LLaMA、ChatGLM、InternLM等）的本地部署方法，包括命令行调用、在线Demo部署等。
• 微调方法指导：提供全量微调、LoRA微调、ptuning等高效微调方法的详细教程，帮助用户根据需求对模型进行定制化优化。
• 应用开发指导：结合LangChain等框架，指导用户如何将开源大模型集成到实际应用中，打造领域特色的私域模型。
• 社区共创与支持：鼓励用户提交问题（issue）或贡献代码（PR），共同完善教程内容，形成开源社区的协作与支持体系。

self-llm支持的模型

• GLM-4.1-Thinking
  • GLM-4.1V-Thinking vLLM 部署调用
  • GLM-4.1V-Thinking Gradio 部署
  • GLM-4.1V-Thinking LoRA 微调及 SwanLab 可视化记录
  • GLM-4.1V-Thinking Docker 镜像
• GLM-4.5-Air
  • GLM-4.5-Air vLLM 部署调用
  • GLM-4.5-Air EvalScope 智商情商评测
  • GLM-4.5-Air LoRA 微调
  • GLM-4.5-Air Ucloud Docker 镜像
• ERNIE-4.5
  • ERNIE-4.5-0.3B-PT LoRA 微调及 SwanLab 可视化记录
  • ERNIE-4.5-0.3B-PT LoRA Docker 镜像
• Hunyuan-A13B-Instruct
  • Hunyuan-A13B-Instruct 模型架构解析
  • Hunyuan-A13B-Instruct SGLang 部署调用
  • Hunyuan-A13B-Instruct LoRA SwanLab 可视化微调
  • Hunyuan-A13B-Instruct LoRA Docker 镜像
• Qwen3
  • Qwen3 模型结构解析
  • Qwen3-8B vllm 部署调用
  • Qwen3-8B Windows LMStudio 部署调用
  • Qwen3-8B Evalscope 智商情商评测
  • Qwen3-8B LoRA 微调及 SwanLab 可视化记录
  • Qwen3-30B-A3B 微调及 SwanLab 可视化记录
  • Qwen3 Think 解密
  • Qwen3-8B Docker 镜像
  • Qwen3-0.6B 的小模型用途
  • Qwen3-1.7B 医学推理式对话微调及 SwanLab 可视化记录
  • Qwen3-8B GRPO 微调及 SwanLab 可视化
• Kimi-VL-A3B
  • Kimi-VL-A3B 技术报告解读
  • Kimi-VL-A3B-Thinking WebDemo 部署（网页对话助手）
• Llama4
  • Llama4 对话助手
  • SpatialLM
  • SpatialLM 3D点云理解与目标检测模型部署
  • Hunyuan3D-2
  • Hunyuan3D-2 系列模型部署
  • Hunyuan3D-2 系列模型代码调用
  • Hunyuan3D-2 系列模型 Gradio 部署
  • Hunyuan3D-2 系列模型 API Server
  • Hunyuan3D-2 Docker 镜像
• Gemma3
  • Gemma-3-4b-it FastApi 部署调用
  • Gemma-3-4b-it ollama + open-webui 部署
  • Gemma-3-4b-it Evalscope 智商情商评测
  • Gemma-3-4b-it LoRA 微调
  • Gemma-3-4b-it Docker 镜像
  • Gemma-3-4b-it GRPO 微调及 SwanLab 可视化
• DeepSeek-R1-Distill
  • DeepSeek-R1-Distill-Qwen-7B FastApi 部署调用
  • DeepSeek-R1-Distill-Qwen-7B Langchain 接入
  • DeepSeek-R1-Distill-Qwen-7B WebDemo 部署
  • DeepSeek-R1-Distill-Qwen-7B vLLM 部署调用
  • DeepSeek-R1-0528-Qwen3-8B-GRPO 及 SwanLab 可视化
• MiniCPM-o-2_6
  • MiniCPM-o-2.6 FastApi 部署调用
  • MiniCPM-o-2.6 WebDemo 部署
  • MiniCPM-o-2.6 多模态语音能力
  • MiniCPM-o-2.6 可视化 LaTeX_OCR LoRA 微调
• InternLM3
  • InternLM3-8b-instruct FastApi 部署调用
  • InternLM3-8b-instruct Langchain 接入
  • InternLM3-8b-instruct WebDemo 部署
  • InternLM3-8b-instruct LoRA 微调
  • InternLM3-8b-instruct o1-like 推理链实现
• phi4
  • phi4 FastApi 部署调用
  • phi4 Langchain 接入
  • phi4 WebDemo 部署
  • phi4 LoRA 微调
  • phi4 LoRA 微调 NER任务 SwanLab 可视化记录版
  • phi4 GRPO 微调及 SwanLab 可视化
• Qwen2.5-Coder
  • Qwen2.5-Coder-7B-Instruct FastApi 部署调用
  • Qwen2.5-Coder-7B-Instruct Langchain 接入
  • Qwen2.5-Coder-7B-Instruct WebDemo 部署
  • Qwen2.5-Coder-7B-Instruct vLLM 部署
  • Qwen2.5-Coder-7B-Instruct LoRA 微调
  • Qwen2.5-Coder-7B-Instruct LoRA 微调 SwanLab 可视化记录版
• Qwen2-vl
  • Qwen2-vl-2B FastApi 部署调用
  • Qwen2-vl-2B WebDemo 部署
  • Qwen2-vl-2B vLLM 部署
  • Qwen2-vl-2B LoRA 微调
  • Qwen2-vl-2B LoRA 微调 SwanLab 可视化记录版
  • Qwen2-vl-2B LoRA 微调案例 – LaTeXOCR
• Qwen2.5
  • Qwen2.5-7B-Instruct FastApi 部署调用
  • Qwen2.5-7B-Instruct Langchain 接入
  • Qwen2.5-7B-Instruct vLLM 部署调用
  • Qwen2.5-7B-Instruct WebDemo 部署
  • Qwen2.5-7B-Instruct LoRA 微调
  • Qwen2.5-7B-Instruct o1-like 推理链实现
  • Qwen2.5-7B-Instruct LoRA 微调 SwanLab 可视化记录版
• Apple OpenELM
  • OpenELM-3B-Instruct FastApi 部署调用
  • OpenELM-3B-Instruct LoRA 微调
• Llama3_1-8B-Instruct
  • Llama3_1-8B-Instruct FastApi 部署调用
  • Llama3_1-8B-Instruct Langchain 接入
  • Llama3_1-8B-Instruct WebDemo 部署
  • Llama3_1-8B-Instruct LoRA 微调
  • 动手转换 GGUF 模型并使用 Ollama 本地部署
• Gemma-2-9b-it
  • Gemma-2-9b-it FastApi 部署调用
  • Gemma-2-9b-it Langchain 接入
  • Gemma-2-9b-it WebDemo 部署
  • Gemma-2-9b-it Peft LoRA 微调
• Yuan2.0
  • Yuan2.0-2B FastApi 部署调用
  • Yuan2.0-2B Langchain 接入
  • Yuan2.0-2B WebDemo 部署
  • Yuan2.0-2B vLLM 部署调用
  • Yuan2.0-2B LoRA 微调
• Yuan2.0-M32
  • Yuan2.0-M32 FastApi 部署调用
  • Yuan2.0-M32 Langchain 接入
  • Yuan2.0-M32 WebDemo 部署
• DeepSeek-Coder-V2
  • DeepSeek-Coder-V2-Lite-Instruct FastApi 部署调用
  • DeepSeek-Coder-V2-L

self-llm的项目地址

• GitHub仓库：https://github.com/datawhalechina/self-llm

self-llm的应用场景

• 教育与学习：为初学者提供从环境配置到模型微调的全流程指导，助力学生和开发者快速掌握开源大模型的使用方法。
• 企业应用开发：帮助企业根据自身业务需求对开源大模型进行定制化微调，开发智能客服、知识管理等专属应用。
• 个人项目开发：支持个人开发者利用开源大模型开发智能写作助手、个人智能助手等项目，提升个人生产力。
• 研究与创新：为研究人员提供实验平台，支持对开源大模型的架构优化、训练方法改进等研究工作。

NeuralAgent是什么

NeuralAgent 是开源的桌面 AI 个人助手，通过自然语言指令自动化执行多种复杂任务，如模拟键盘输入、鼠标点击、浏览器导航、表单填写和邮件发送等。NeuralAgent 支持桌面自动化，在 Windows 平台上支持后台浏览器控制，实现高效任务处理。NeuralAgent 集成 Claude、GPT-4、Azure OpenAI、Bedrock、Ollama 和 Gemini 等多种主流语言模型，基于模块化设计（如规划器、分类器等），支持多模态（文本+视觉）交互。NeuralAgent 基于 FastAPI 后端、Electron 桌面应用和 React 前端构建，为用户提供高度可配置的智能分析与执行能力，助力实现真正的生产力提升。

NeuralAgent的主要功能

• 桌面自动化：通过模拟键盘输入、鼠标点击、表单填写、邮件发送和网页导航等操作，实现任务的自动执行。
• 后台任务执行：在 Windows 平台上支持后台浏览器控制，无需人工干预即可完成任务。
• 多模态交互：支持文本和视觉输入，能处理图像和文字信息。
• 多语言模型支持：集成多种主流语言模型，如 Claude、GPT-4、Azure OpenAI、Bedrock、Ollama 和 Gemini。
• 模块化设计：包含多种功能模块，如规划器、分类器、建议器等，支持根据任务需求灵活配置。
• 跨平台运行：支持 Windows、macOS 和 Linux，但部分功能（如后台自动化）目前仅限 Windows。

NeuralAgent的技术原理

• FastAPI 后端：用 FastAPI 构建高性能后端服务，负责处理 API 请求和任务调度。集成 PostgreSQL 数据库，用在存储任务数据和用户信息。
• Electron 桌面应用：用 Electron 构建跨平台桌面应用，提供用户界面。内嵌 React 前端框架，实现流畅的用户体验。
• Python 自动化脚本：基于 Python 的 pyautogui 库实现桌面自动化操作，如鼠标点击和键盘输入。在 Windows 平台上通过 WSL（Windows Subsystem for Linux）实现后台浏览器控制。
• 模块化代理系统：基于模块化设计，将不同任务分配给专门的代理模块（如规划器、分类器等）。每个模块根据任务需求调用不同的语言模型，实现智能分析和执行。

NeuralAgent的项目地址

• 项目官网：https://www.getneuralagent.com/
• GitHub仓库：https://github.com/withneural/neuralagent

NeuralAgent的应用场景

• 办公自动化：自动填写和发送邮件、编辑文档、生成报告，显著提升工作效率，减少重复性劳动，让办公更加高效便捷。
• 网页自动化：快速抓取网页数据、自动提交表单、批量处理网页任务，助力用户高效收集信息和完成在线操作。
• 个人生产力提升：智能规划日常任务、整理信息、生成笔记，帮助用户高效管理时间和工作，提升个人生产力。
• 创意工作辅助：生成创意文案、辅助设计草图、提供代码片段，激发创作灵感，加速创意工作流程，助力创意实现。
• 企业级应用：自动分析数据、跟踪项目进度、生成项目报告，助力企业高效运营与管理，提升团队协作效率。

GitMCP是什么

GitMCP 是开源的远程 Model Context Protocol (MCP) 服务器，能将 GitHub 仓库（包括代码库和 GitHub 页面）转变为实时文档中心，让 AI 工具（如 Cursor）直接访问最新文档和代码，消除代码幻觉提高代码准确性。GitMCP支持特定仓库和通用服务器两种模式，用户能根据需求选择。GitMCP 无需安装，零配置，支持嵌入式聊天，完全免费、保护隐私。GitMCP能通过智能搜索和文档访问，确保 AI 助手提供准确、可靠的代码示例和 API 用法。

GitMCP的主要功能

• 最新文档和代码访问：提供GitHub项目最新文档和代码，确保AI助手获取准确信息。
• 消除代码幻觉：通过实时数据减少AI生成错误代码的概率，提升代码正确性。
• 零配置使用：无需安装或注册，直接在IDE中添加GitMCP URL即可使用。
• 嵌入式聊天：支持通过浏览器直接与仓库文档聊天，快速获取信息。
• 隐私保护：开源免费，不收集个人信息，用户能自行托管增强隐私。
• 灵活访问方式：支持特定仓库和通用服务器两种模式，满足不同使用需求。

GitMCP的技术原理

• 基于Model Context Protocol (MCP)：GitMCP的核心是Model Context Protocol (MCP)，一个标准化的协议，支持AI助手从外部源请求额外的上下文信息。基于MCP，GitMCP能与各种AI助手（如Cursor、Claude、VSCode等）无缝集成。
• 用户指定GitHub项目：用户用提供特定的GitMCP URL（例如gitmcp.io/{owner}/{repo}或{owner}.gitmcp.io/{repo}）指定需要访问的GitHub项目。这种URL格式让GitMCP能精准定位到目标仓库，确保AI助手访问到正确的项目文档和代码。GitMCP提供通用的动态端点gitmcp.io/docs，支持AI助手根据上下文动态选择仓库。
• AI助手发起请求：当用户向AI助手提出问题（例如“如何使用某个库的特定功能”）时，AI助手通过MCP协议向GitMCP发送请求。请求的内容包括获取文档、搜索代码示例或查询特定功能的实现细节。
• GitMCP执行请求：GitMCP接收到AI助手的请求后，根据请求类型执行相应的操作。
• 返回数据给AI助手：GitMCP将从GitHub仓库中检索到的文档、代码或其他信息返回给AI助手。数据会用结构化的形式返回，让AI助手能够速解析并利用信息。AI助手根据数据生成更准确、更可靠的回答，减少因信息过时或不准确导致的代码幻觉（hallucinations）。

GitMCP的项目地址

• 项目官网：https://gitmcp.io/
• GitHub仓库：https://github.com/idosal/git-mcp

GitMCP的应用场景

• 跨项目协作：团队成员在不同GitHub项目中协作时，快速获取各项目最新文档和代码，提升协作效率。
• 学习新技术：开发者学习新库或框架时，快速找到GitHub项目的关键文档和示例代码，加速学习过程。
• 开源项目贡献：开发者参与开源项目时，快速了解项目结构和代码规范，降低贡献门槛。
• 远程开发支持：远程团队成员在不同地区访问GitHub项目，确保信息同步，减少因网络或时差导致的沟通成本。
• 项目迁移与重构：在迁移或重构GitHub项目时，帮助开发者快速找到关键代码片段和文档，减少工作量。

LandPPT是什么

LandPPT 是AI演示文稿生成平台，能将文档内容快速转换为专业的 PPT 演示文稿。LandPPT支持 OpenAI、Claude、Gemini 等多种 AI 模型，兼容 PDF、Word、Markdown 等文件格式，支持智能解析内容，生成结构清晰的大纲和精美的 PPT 页面。平台提供丰富的模板系统和自定义功能，用户基于现代化的 Web 界面进行可视化编辑、实时预览和多格式导出。LandPPT 基于三步工作流（需求确认、大纲生成、PPT 生成）简化创作过程，让演示文稿制作更高效、更智能。

LandPPT的主要功能

• 多AI提供商支持：集成多种主流AI模型，如OpenAI的GPT系列、Anthropic的Claude系列、Google的Gemini系列，及本地部署的Ollama模型，用户能根据需求灵活选择。
• 强大的文件处理能力：支持PDF、Word、Markdown、TXT等多种文件格式，支持智能解析内容，基于联网进行深度研究，为PPT生成提供更丰富的素材。
• 丰富的模板系统：提供全局主模板和多样化的页面布局选择，AI能生成创意页面布局，支持用户导入和创建个性化模板，满足不同用户的审美和需求。
• 完整的项目管理：基于三阶段工作流（需求确认、大纲生成、PPT生成），配备可视化大纲编辑器和实时预览功能，帮助用户高效管理演示文稿的创作过程。
• 现代化Web界面：用户界面友好，支持AI聊天编辑功能，用户在侧边栏用自然语言与AI交互，实时修改PPT内容；提供PDF、HTML、PPTX等多种格式的导出功能，方便用户在不同场景下使用演示文稿。

如何使用LandPPT

• 本地安装：
  • 克隆项目：

git clone https://github.com/sligter/LandPPT.git
cd LandPPT

• • 安装依赖：
    • 安装 uv（推荐）：

# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

• • • 同步环境：

uv sync
uv pip install apryse-sdk --extra-index-url=https://pypi.apryse.com

• • 配置环境变量：
    • 复制 .env.example 文件并重命名为 .env：

cp .env.example .env

• • • 编辑 .env 文件，配置 AI 提供商的 API 密钥（如 OpenAI、Anthropic 等）。
  • 启动服务：

uv run python run.py

• • 访问 Web 界面：打开浏览器，访问 http://localhost:8000。初始账号为 admin，密码为 admin123。
• Docker 部署：
  • 拉取镜像：

docker pull bradleylzh/landppt:latest

• • • 创建并配置 .env 文件：将 .env.example 文件的内容复制到本地的 .env 文件中，根据需要配置 API 密钥。
  • 运行容器：

docker run -d \
  --name landppt \
  -p 8000:8000 \
  -v $(pwd)/.env:/app/.env \
  -v landppt_data:/app/data \
  -v landppt_reports:/app/research_reports \
  -v landppt_cache:/app/temp \
  bradleylzh/landppt:latest

• • 查看日志：

docker logs -f landppt

• 访问 Web 界面：打开浏览器，访问 http://localhost:8000。初始账号为 admin，密码为 admin123。

LandPPT的项目地址

• GitHub仓库：https://github.com/sligter/LandPPT

LandPPT的应用场景

• 企业汇报：快速将项目报告、数据分析等文档内容转化为专业 PPT，节省制作时间，提升汇报效率。
• 学术演讲：将学术论文、研究资料转化为清晰的演示文稿，帮助学者专注于内容讲解，提升演讲效果。
• 教育培训：教师将教学大纲、教案快速生成互动性强的课件，提升教学吸引力和学生参与度。
• 市场营销：为产品推广、品牌宣传等活动快速生成创意十足、视觉精美的演示文稿，吸引目标受众。
• 个人分享：帮助个人快速整理演讲思路，生成个性化的 PPT，适用技术分享、创意展示等场景。

WeKnora是什么

WeKnora 是腾讯开源的基于大语言模型（LLM）的文档理解与语义检索框架。框架基于模块化设计，支持多模态文档解析（如 PDF、Word、图片等），通过 RAG（检索增强生成）机制实现精准问答。WeKnora 提供强大的多模态认知引擎、灵活的检索策略、私有化部署和开箱即用的 Web UI 界面，适用于企业知识管理、科研文献分析、法律合规审查等场景，支持本地化部署和微信生态集成，助力高效的知识管理和智能问答。

WeKnora的主要功能

• 多模态文档解析：支持多种格式文档（如PDF、Word、图片等）的精准解析，提取文本、表格及图像语义，构建统一的结构化知识中枢。
• 智能语义检索：基于语义向量索引和多种检索策略（如关键词、向量检索、知识图谱检索），实现高效、精准的内容召回。
• 大语言模型集成：支持集成主流大语言模型（如Qwen、DeepSeek等），提供上下文感知和多轮对话功能，生成高质量的智能问答。
• 知识图谱构建：将文档内容转化为知识图谱，展示段落之间的语义关联，提升检索结果的相关性和广度。
• 灵活部署与适配：支持本地化部署、Docker镜像和私有云部署，适配多种生产环境，内置监控日志体系，便于运维管理。
• 用户友好的交互体验：提供直观的Web UI界面，支持拖拽上传文档和知识库管理，零代码部署，快速集成到微信生态。

WeKnora的技术原理

• 模块化架构：基于模块化设计，构建一条完整的文档理解与检索流水线，包括文档解析、向量化处理、检索引擎和大模型推理等核心模块。每个模块均能灵活配置与扩展，支持自由组合检索策略和大语言模型。
• 多模态预处理：用OCR技术和跨模态建模技术，精准解析文档中的图文混排内容。将非结构化内容转换为结构化数据，构建统一的语义视图。
• 语义向量索引：将文档内容向量化处理，构建高效的语义索引。支持多种向量数据库（如PostgreSQL的pgvector、Elasticsearch等），实现快速的语义检索。
• RAG机制：基于Retrieval-Augmented Generation（RAG）机制，将检索到的上下文相关片段与大语言模型结合。实现更高质量的语义回答，支持复杂的语义建模和多轮对话。

WeKnora的项目地址

• 项目官网：https://weknora.weixin.qq.com/
• GitHub仓库：https://github.com/Tencent/WeKnora

WeKnora的应用场景

• 企业知识管理：帮助员工快速检索内部文档、规章制度和操作手册，提升知识查找效率，降低培训成本。
• 科研文献分析：加速论文、研究报告和学术资料的检索与分析，助力科研人员高效开展研究工作。
• 产品技术支持：提供产品手册问答和技术文档检索服务，帮助用户快速解决技术问题，提升客户服务质量。
• 法律合规审查：支持合同条款检索、法规政策查询和案例分析，提高法律合规效率，降低法律风险。
• 医疗知识辅助：辅助医学文献检索、诊疗指南查询和病例分析，提升医疗决策的科学性和准确性。

GPT-5是什么

GPT-5 是 OpenAI 最新推出的人工智能模型，是目前最强模型，面向所有用户开放。GPT-5是一个统一系统，包括一个基础模型用在解答常见问题，一个深度推理模型（GPT-5 思维模块）用在处理复杂难题，一个实时路由模块根据对话类型、问题复杂度、工具需求和用户指令（如“仔细思考”）智能调度模型。GPT-5 在编程、写作、数学、健康等多个领域表现出色，大幅减少幻觉和错误，回答更贴近真实情况。GPT-5 支持多模态输入，能处理图像和文本。GPT-5 提供免费、Plus 和 Pro 三种模式，满足不同用户的需求。

GPT-5的主要功能

• 高效回答与推理：支持根据问题复杂度自动切换基础模型和深度推理模型，快速回答常见问题或深入思考复杂问题。
• 编程能力：GPT-5 是 OpenAI 最强的编程模型，能生成高质量代码、调试大型代码库，在生产级任务中表现出色。
• 写作与创意表达：能将粗糙想法转化为有文学深度和节奏感的精彩写作，支持多种文体并提供创意灵感。
• 健康咨询：在健康相关问题上表现更好，能够提供精准建议，主动提示潜在问题，并确保回答安全可靠。
• 多模态理解：支持图像和视频输入，能进行视觉推理和空间分析，处理多模态任务。
• 减少幻觉与提高准确性：显著降低幻觉率，减少事实性错误，回答更准确且更诚实。
• 安全与可靠性：引入“安全完成”训练方法，减少欺骗行为，确保在生物和化学等高风险领域的安全性。
• 定制化与个性化：提供四种预设性格（愤世嫉俗者、机器人、倾听者和书呆子），用户根据需求选择互动风格。
• 多语言支持：支持多种语言对话，能够理解和生成多种语言内容，帮助用户进行语言转换。
• API 支持：GPT-5 通过 API 提供多种模型选择（如 GPT-5、GPT-5 mini、GPT-5 nano），灵活定价，方便开发者使用。

GPT-5的版本信息

• GPT-5：默认版本，适用大多数通用任务，能根据问题复杂度自动切换基础模型和深度推理模式。
• GPT-5 Mini：一个更小、更快的版本，适用轻量级任务或在达到使用限制后继续使用。
• GPT-5 Nano：最小版本，专为开发者设计，适合快速原型设计和高效处理轻量级任务。
• GPT-5 Pro：高级版本，专为 Pro 订阅者提供，使用更强大的计算资源，适用复杂任务和深度推理。

GPT-5的性能表现

• 编程与工具链能力：
  • SWE-bench Verified：74.9%（GPT-4：52%，o3：69.1%）
  • Aider Polyglot：88%，错误率比 o3 低 33%
  • 前端开发：内部测试胜率 70%
  • τ²-bench 工具链任务：96.7%
• 数学与多模态能力：
  • AIME 2025 数学测评：Pro+Python 模式 100%
  • MMMU 多模态理解：84.2%
• 专业领域：
  • HealthBench Hard（医疗）：46.2%
• 知识准确性与可靠性：
  • 错误率比 GPT-4o 低约 45%
  • thinking 模式比 o3 低约 80%
  • 幻觉率仅为 o3 的 1/6
  • 欺骗率 2.1%（o3 为 4.8%）
• 人机交互与风格：
  • 谄媚倾向（sycophancy）降至 6%（GPT-4 为 14.5%）

GPT-5的官网地址

• 官网地址：ChatGPT

如何使用GPT-5

• 访问官网：访问GPT-5的官网ChatGPT。
• 免费用户：
  • 访问方式：GPT-5 已全局上线，免费用户能直接在 ChatGPT 中使用。
  • 限制：免费用户的 GPT-5 用量会明显受限。当用量耗尽后，模型会被切换成 GPT-5 mini。
• Plus 用户：Plus 用户有更高的 GPT-5 使用额度。
  • 额外功能：Plus 用户能在 Codex CLI 中使用 GPT-5，开启“思考模式”。
• Pro 用户：Pro 用户能无限制访问 GPT-5，可使用 GPT-5 Pro。
  • 功能：Pro 用户能访问所有 GPT-5 的功能，包括高级的编程和创作工具。
• 企业版和教育版用户：企业版和教育版用户将在一周内获得访问权限。
• 在 API 中使用 GPT-5：
  • API 调用方法：
    • 支持的模型：API 中支持的 GPT-5 模型包括 gpt-5、gpt-5-mini、gpt-5-nano 和 gpt-5-chat。
    • 输入输出：支持用图文输入，并用文字输出。
    • Endpoint：支持 /chat/completions、/responses 和 /assistants 等 endpoint。
  • 功能支持：
    • Streaming：支持流式输出。
    • Function calling：支持函数调用。
    • Structured outputs：支持结构化输出。
    • 微调：支持模型微调。
    • Responses API：支持 Web search、File search、Code interpreter 和 MCP 等功能。

GPT-5 的产品定价

• 免费用户：所有用户都能免费使用 GPT-5，但有使用次数限制。
• Plus 用户：$20 美元/月，获得更高的使用额度，适合日常频繁使用。
• Pro 用户：$200 美元/月，获得无限访问权限，能使用 GPT-5 Pro 版本。
• API 定价：
  • GPT-5：每百万输入 token 1.25 美元，输出 10 美元。
  • GPT-5 Mini：每百万输入 token 0.25 美元，输出 2 美元。
  • GPT-5 Nano：每百万输入 token 0.05 美元，输出 0.40 美元。

GPT-5的应用场景

• 编程开发：生成高质量代码、调试大型代码库，并在生产级任务中表现出色，适合软件开发、前端设计和复杂系统开发。
• 写作创作：GPT-5 能将粗糙想法转化为有文学深度和节奏感的精彩写作，支持多种文体，适合撰写文章、报告、诗歌和创意写作。
• 健康咨询：提供精准建议，主动提示潜在问题，并确保回答安全可靠，适合健康咨询和医学科普。
• 多模态任务：进行视觉推理和空间分析，适合处理图表解读、照片总结和多模态任务。
• 复杂问题解决：处理复杂的科学问题、数学难题和多步骤任务，适合科学研究、高级教育和专业咨询。

GPT-5的官方示例

滚动球小游戏

Prompt：Create a single-page app in a single HTML file with the following requirements:

• Name: Jumping Ball Runner
• Goal: Jump over obstacles to survive as long as possible.
• Features: Increasing speed, high score tracking, retry button, and funny sounds for actions and events.
• The UI should be colorful, with parallax scrolling backgrounds.
• The characters should look cartoonish and be fun to watch.
• The game should be enjoyable for everyone.

（中文）提示词：创建一个单页面应用，仅使用一个 HTML 文件，满足以下要求：

• 游戏名称：跳跃球跑酷
• 游戏目标：跳跃躲避障碍物，尽可能存活更长时间。
• 游戏功能：速度逐渐增加、记录最高分、重试按钮、为操作和事件添加有趣的音效。
• 用户界面：色彩丰富，带有视差滚动背景。
• 角色设计：角色应具有卡通风格，看起来有趣。
• 游戏体验：适合所有人游玩。

像素艺术

Prompt：Create a single-page app, in a single HTML file, that provides a retro pixel painting experience.

• Canvas: fixed pixel grid with zoom; tools for pencil, eraser, fill, line, rectangle, circle; grid toggle.
• Palette: 16-color swatches with two custom slots; eyedropper; foreground/background swap.
• Editing: undo/redo, copy/paste selection, flip/rotate selection, clear canvas; status bar with cursor coords.
• UI shell: faux OS window (’90s style) with draggable title bar, toolbar icons, tooltip hints.
• Import/Export: import PNG (quantize to palette) and export PNG/SpriteSheet + JSON; save/load from localStorage.
• Shortcuts: number keys for tools, +/- for zoom; accessible labels and focus order.
• Responsive layout; no uploads to servers.