GPT-5: Tính năng mới, bài kiểm thử, điểm chuẩn và hơn thế nữa

Tính năng mới trong GPT-5

Tính năng dựa trên trò chuyện

Tùy chỉnh màu sắc cuộc trò chuyện

Giờ đây bạn có thể chọn phối màu cho các cuộc trò chuyện. Hoàn toàn mang tính thẩm mỹ, nhưng giúp giao diện trở nên gần gũi với môi trường của riêng bạn hơn. Bạn có thể đổi màu trong mục General trong Settings:

Đổi phong cách cá tính

GPT-5 giới thiệu các phong cách cài sẵn, cho phép bạn chuyển đổi phong cách của trợ lý sang hỗ trợ nhiều hơn, ngắn gọn và chuyên nghiệp, hoặc thậm chí hơi mỉa mai nhẹ. Nhờ khả năng điều hướng (steerability) được cải thiện, những phong cách này sẽ duy trì xuyên suốt cuộc trò chuyện thay vì nhạt dần sau vài lượt trả lời.

Để truy cập tính năng này, vào mục Personalization trong Settings, nhấn Custom instructions, rồi chọn phong cách bạn muốn bằng cách lấy một preset:

Tích hợp Gmail và Google Calendar

Với người dùng Plus, Pro, Team và Enterprise, GPT-5 có thể kết nối trực tiếp với Gmail và Google Calendar của bạn. Nó có thể kéo lịch của bạn, giúp tìm thời gian trống, và thậm chí soạn thảo trả lời cho các email bạn đang để quá hạn. Đây là một bước tiến thực sự hướng tới việc có một AI chủ động quản lý ngày làm việc của bạn.

Để dùng tính năng này, vào mục Connectors trong Settings và làm theo hướng dẫn trên màn hình để kết nối Gmail và Google Calendar.

Hoàn thành an toàn, hữu ích hơn

GPT-5 thay cách tiếp cận an toàn dựa trên từ chối cũ bằng “hoàn thành an toàn”. Thay vì đơn thuần chặn yêu cầu có thể không an toàn, nó cung cấp tối đa thông tin hữu ích và an toàn có thể, đồng thời giải thích các giới hạn. Nó cũng giảm xu hướng “nịnh nọt”—những câu trả lời quá dễ dãi khiến các mô hình trước đây có phần thiếu chân thực.

Tính năng dành cho nhà phát triển

Phần ngắn này dành cho nhà phát triển, bạn có thể bỏ qua để đến phần tiếp theo, nơi tôi kiểm thử GPT-5.

Điều khiển suy luận và độ dài

Trong API, bạn có thể điều khiển độ sâu tư duy của mô hình với tham số reasoning_effort, bổ sung thiết lập “minimal” cho phản hồi nhanh khi bạn không cần suy luận chi tiết. Cũng có tham số verbosity để điều chỉnh câu trả lời ngắn, vừa, hoặc dài mà không cần thay đổi prompt.

Công cụ tùy chỉnh với văn bản thuần

GPT-5 hỗ trợ “custom tools”, cho phép gọi công cụ bằng văn bản thuần thay vì JSON. Điều này tránh các vấn đề escape có thể phá vỡ đầu ra phức tạp như khối mã lớn. Bạn cũng có thể áp đặt định dạng riêng bằng cách ràng buộc lời gọi công cụ với regex hoặc một ngữ pháp đầy đủ.

Tốt hơn cho tác vụ nhiều bước, chạy dài

Mô hình cải thiện đáng kể trong việc xử lý các tác vụ dạng agent kéo dài. Nó có thể xâu chuỗi hàng chục lời gọi công cụ—cả tuần tự lẫn song song—mà không mất dấu ngữ cảnh.

Cải thiện lập trình front-end

Trong thử nghiệm nội bộ, GPT-5 vượt OpenAI o3 trong kịch bản phát triển front-end 70% thời gian, tạo ra giao diện sạch hơn, thẩm mỹ hơn với bố cục, kiểu chữ và khoảng cách mặc định tốt hơn.

Ngữ cảnh dài hơn, ít ảo giác hơn

Trong API, GPT-5 hỗ trợ độ dài ngữ cảnh kết hợp đầu vào và đầu ra lên tới 400K token. Các điểm chuẩn cho thấy nó truy xuất thông tin chính xác hơn từ đầu vào lớn so với các mô hình trước, đồng thời giảm mạnh tỷ lệ ảo giác trong các tác vụ thực chứng.

Kiểm thử GPT-5

Vài tuần trước, tôi đã thử Grok 4, và để so sánh, tôi muốn kiểm thử GPT-5 với cùng bộ prompt để xem kết quả ra sao. Đây không phải là đánh giá toàn diện về GPT-5—chỉ là cách nhanh để cảm nhận hành vi của nó trong thiết lập chat điển hình.

Toán học

Đầu tiên, tôi đưa cho GPT-5 một thử thách toán nhỏ: 9,11 trừ 9,9. Bề ngoài là phép trừ dễ, nhưng số học đơn giản đôi khi phơi bày những đặc điểm kỳ lạ trong cách mô hình ngôn ngữ suy luận—Claude Sonnet 4 từng vấp phải khi tôi kiểm thử. Máy tính có thể cho đáp án tức thì, nhưng điều tôi thật sự kiểm tra là quy trình: GPT-5 sẽ suy luận từng bước hay chọn dùng công cụ tích hợp?

Bất ngờ là GPT-5 cho tôi đáp án đúng trong chưa đến một giây—cảm giác thật sự là tức thì. Dựa trên câu hỏi tiếp theo của tôi, phép trừ này nhiều khả năng dùng một dạng suy luận chuỗi tư duy, nơi mô hình nội bộ biểu diễn các bước trung gian như viết lại 9,9 thành 10-0,1, trừ khỏi 9,11 rồi hiệu chỉnh kết quả.

Ngay sau đó, tôi có một tương tác hài hước với GPT-5 khi tôi đánh lừa rằng phép tính của nó sai. Tính “nịnh nọt” khiến nó đồng ý với tôi, nhưng nó vẫn đi đến đáp án đúng, cho thấy ít nhất với các bài toán khách quan như toán học, bạn có thể trông cậy vào mô hình.

Tiếp theo, tôi thử mô hình với một bài toán phức tạp hơn:

Dùng tất cả các chữ số từ 0 đến 9 đúng một lần để tạo ba số x, y, z sao cho x + y = z.

Khi đang chờ câu trả lời, tôi thấy tùy chọn lấy phản hồi nhanh. Tôi không thử, nhưng nó có thể hữu ích nếu bạn vội hoặc nghĩ rằng mô hình đang suy nghĩ quá mức cho một bài toán thực ra đơn giản. Các nghiên cứu gần đây cho thấy suy luận nhiều hơn không phải lúc nào cũng tốt hơn.

Sau 30 giây suy nghĩ, GPT-5 đưa ra hai đáp án đúng. Trong vệt suy nghĩ, nó nói rõ đã dùng “một chương trình nhanh” để giải—một cách tiếp cận thông minh, vì tự làm bằng chuỗi tư duy có thể tốn rất nhiều thời gian (có 10! = 3.628.800 hoán vị với nhiều cách chia). Tuy nhiên, tôi không thể xem chương trình thực sự chạy bên dưới, điều này sẽ rất hữu ích.

Lập trình

Với bài lập trình, tôi thử xây cùng trò chơi tôi đã làm với Grok trước đó. Khác biệt duy nhất trong prompt là tôi yêu cầu GPT-5 chạy mã trong Canvas.

Prompt: Hãy tạo cho tôi một game endless runner thật cuốn hút. Hiển thị hướng dẫn chính trên màn hình. Cảnh p5.js, không HTML. Tôi thích khủng long pixel và phông nền thú vị. Chạy mã trong Canvas.

Sau ba lần dựng thất bại, tôi bỏ ý định chạy trong Canvas và chuyển sang chạy mã trong trình soạn thảo p5.js. Kết quả như sau:

Mô hình đã viết 764 dòng mã ấn tượng và tạo ra phiên bản V1 tốt nhất của trò chơi này mà tôi từng tạo được với bất kỳ mô hình nào đã thử. Chẳng hạn, hầu hết mô hình không khởi động game bằng một màn tạm dừng cho phép người chơi chủ động bắt đầu—nó thường chạy ngay khi bạn thực thi mã. Và không mô hình nào trước đó thêm các tính năng như điểm cao nhất, khả năng lướt, hay tạm dừng trò chơi.

Đa phương thức với ngữ cảnh dài

Tương tự Grok 4, tôi muốn thử một tệp PDF lớn, nên tôi đã tải lên Báo cáo Triển vọng AI Tạo sinh của Ủy ban Châu Âu (43.087 token / 167 trang) và đưa GPT-5 prompt sau:

Prompt: Phân tích toàn bộ báo cáo này và xác định ba biểu đồ cung cấp thông tin nhiều nhất. Tóm tắt từng biểu đồ và cho tôi biết chúng ở trang nào trong PDF.

Trước khi cho bạn xem kết quả (dùng tài khoản Pro của tôi), lưu ý rằng với PDF lớn như vậy, chạy trên ChatGPT Free (giới hạn 8K token) hay thậm chí ChatGPT Plus (giới hạn 32K token) rất có thể sẽ thất bại. Ví dụ, khi tôi yêu cầu tóm tắt tài liệu (bằng tài khoản Free), đã có lỗi trong luồng tin nhắn—nhiều khả năng do giới hạn bộ nhớ.

Khi tôi chạy tác vụ này bằng tài khoản Pro, tôi có nhận được kết quả—nhưng như bạn thấy trong video bên dưới, có khá nhiều vấn đề:

Đầu ra tệ đến mức đáng ngạc nhiên và không cần tôi bình luận thêm. Tôi thậm chí không đưa ra prompt tiếp theo. Điều này chắc chắn không giống “trò chuyện với một tiến sĩ”, càng không gần với “AGI”.

Điểm chuẩn GPT-5

OpenAI đã công bố một bộ kết quả điểm chuẩn phong phú cho GPT-5, bao gồm lập trình, toán học, suy luận đa phương thức, tuân thủ hướng dẫn, sử dụng công cụ, truy xuất ngữ cảnh dài và tính thực chứng. Dưới đây là tóm lược các con số được báo cáo từ tài liệu và bài đăng chính thức của họ.

Hiệu năng lập trình

Trên SWE-bench Verified—một điểm chuẩn các tác vụ lập trình Python thực tế—GPT-5 đạt 74,9%, tăng từ 69,1% của OpenAI o3 và vượt xa GPT-4.1 (54,6%). Lợi ích còn ấn tượng hơn nếu xét hiệu quả: ở mức nỗ lực suy luận cao, GPT-5 dùng ít hơn 22% token đầu ra và ít hơn 45% lời gọi công cụ so với o3 để đạt kết quả đó.

Nguồn: OpenAI

Trên Aider Polyglot, kiểm tra chỉnh sửa mã đa ngôn ngữ, GPT-5 đạt 88%, so với 81% của o3—giảm khoảng một phần ba tỷ lệ lỗi. Bạn có thể xem thêm kết quả trong báo cáo dành cho nhà phát triển này.

Toán học và suy luận khoa học

GPT-5 cũng đạt kết quả mạnh ở các điểm chuẩn thiên về toán. Trên AIME 2025 (toán mức thi đấu, không dùng công cụ), GPT-5 (không công cụ) đạt 94,6%, so với 88,9% của o3 (không công cụ). Trên HMMT (giải toán Harvard-MIT), nó đạt 93,3% khi không dùng công cụ, vượt o3 ở mức 85%. Ở FrontierMath (toán chuyên sâu có dùng công cụ Python), GPT-5 đạt 26,3%—không phải con số lớn, nhưng vẫn hơn o3 ở mức 15,8%.

Nguồn: OpenAI

Trong GPQA Diamond—các câu hỏi khoa học cấp độ tiến sĩ—GPT-5 đạt 87,3% khi dùng công cụ (Python) và 85,7% khi không dùng, nhỉnh hơn o3 ở cả hai cấu hình.

Suy luận đa phương thức

Trên các điểm chuẩn đa phương thức, GPT-5 thiết lập mức chuẩn mới. Nó đạt 84,2% trên MMMU (suy luận thị giác cấp đại học) và 78,4% trên MMMU-Pro (cao học), vượt o3 ở cả hai. Trên VideoMMMU (suy luận dựa trên video với tối đa 256 khung hình), GPT-5 đạt độ chính xác 84,6% so với 83,3% của o3.

Nó cũng thể hiện tốt trên CharXiv Reasoning (diễn giải hình khoa học) với 81,1% khi bật chế độ thinking, và ERQA (suy luận không gian) với 65,7%, đều vượt o3.

Humanity’s Last Exam (HLE)

Humanity’s Last Exam là một điểm chuẩn thách thức gồm 2.500 câu hỏi chọn lọc thủ công cấp độ tiến sĩ, trải rộng toán, vật lý, hóa học, ngôn ngữ học và kỹ thuật.

Theo kết quả công bố của OpenAI, GPT-5 đạt 24,8% khi không dùng công cụ và 42,0% ở biến thể Pro.

Nguồn: OpenAI

Grok 4, theo dữ liệu của xAI, đạt khoảng 26% khi không dùng công cụ và 41,0% khi có công cụ. Cấu hình Grok 4 Heavy—chạy nhiều tác nhân song song và hợp nhất đầu ra—đẩy con số này lên 50,7%, cho thấy lợi thế của thiết lập đa tác nhân. Trong khi cả hai mô hình cho kết quả tương tự ở chế độ đơn tác nhân có công cụ, kiến trúc Grok 4 Heavy mang lại lợi thế đáng kể ở đây.

Nguồn: xAI

Kết luận

GPT-5 không phải là cột mốc AGI như một số người kỳ vọng, và chắc chắn không mang cảm giác “có một tiến sĩ trong túi bạn”. Tuy nhiên, nó là một bước hợp nhất được thực hiện tốt các dòng sản phẩm trước đây của OpenAI thành một trải nghiệm liền mạch hơn, đi kèm một số cải tiến kỹ thuật có ý nghĩa, dù mang tính tiệm tiến.

Các tính năng trò chuyện mới như phong cách cá tính, tùy chỉnh màu sắc, và tích hợp Gmail/Calendar khiến ChatGPT cá nhân hóa và hữu ích hơn cho quy trình làm việc hằng ngày. Ở phía nhà phát triển, khả năng kiểm soát chi tiết hơn về suy luận, độ dài và định dạng công cụ, cùng hiệu năng tốt hơn trong các tác vụ chạy dài, là những nâng cấp đáng giá.

Trong kiểm thử, GPT-5 xử lý tốt các tác vụ suy luận thẳng thắn và lập trình, thậm chí tạo ra phiên bản đầu tiên của một game tốt nhất mà tôi từng thấy từ bất kỳ mô hình nào. Nhưng hiệu năng đa phương thức với ngữ cảnh dài vẫn còn nhiều điều phải cải thiện, khi tài nguyên cấp Pro chưa mang lại kết quả tương xứng với kỳ vọng.

Với đa số người dùng, GPT-5 sẽ tiếp tục là công cụ AI dễ tiếp cận và linh hoạt nhất hiện nay. Chỉ là đừng kỳ vọng nó phá vỡ giới hạn của các mô hình hiện tại. Đây là một bước tiến hóa, không phải cách mạng, và tùy nhu cầu của bạn, đó có thể chính là điều bạn cần.