OpenAI 发布新一代推理模型：上下文、定价与生态影响全解析

2026 年 10 月 14 日，OpenAI 在 API 与 ChatGPT 中同时上线两个推理模型 o5 与 o5-mini，o3 系列从默认推理档位退到「仍可用」状态^F1。官方给出的规格是 100 万 token 输入上下文与 12.8 万 token 单次最大输出^F2。定价的绝对值比上一代低：o5 输入 4 美元、输出 16 美元（均为每百万 token），缓存命中的输入按 1 美元计^F3；o5-mini 是 0.8 美元与 3.2 美元，缓存命中输入 0.2 美元^F4。参数量、训练算力与数据构成都没有披露，官方在问答环节也没有回应这三个问题。

与发布同时落地的还有接入侧的变化：Responses API 新增 reasoning.effort 的四档取值，Chat Completions 保持兼容但不再接受新的推理参数，官方 Python SDK 需要升到 2.4.0 才能读到推理 token 的用量字段。这三条不在事实清单里，它们来自 GitHub Release 的变更列表而不是官方博客，单独挂在来源清单的第三条，读者可以自己核对版本号与字段名。

一、发生了什么

这次发布的形态是「一代两个型号、同日全量可用」。o5 承担旗舰推理档位，o5-mini 顶上原来轻量推理的位置，两者共享同一套参数接口，区别在单价与推理预算^F1F4。没有限量测试、没有候补名单，ChatGPT 与 API 的切换发生在同一时间点，这在此前的推理模型发布里并不常见。

官方通稿里唯一缺席的数字就是「多大」。参数规模、训练 token 量、算力投入三项都没有出现，连「与前代同量级」这类模糊表述也没有。做容量规划时能用的只有上下文、输出上限与价格三组数字，任何关于「模型变大了多少」的推断都没有依据。

二、核心信息：模型能力与规格

100 万输入上下文是这次发布里最容易被误读的数字。窗口大小不等于可用长度：EvalHub 的独立复现显示，在 51.2 万 token 的检索任务上 o5 的召回率是 96.3%，长度推到 100 万时降到 88.1%^F10。把文档塞满窗口，和在满窗口长度上稳定取回关键信息，是两件事。要留出余量，把 40 万 token 当默认阈值更稳妥，超出部分改走分段检索或先做摘要压缩。

上下文长度是采购指标，召回率才是工程指标。前者决定你能不能把文档塞进去，后者决定你敢不敢把取回来的内容直接交给下游。

输出上限 12.8 万 token^F2 对推理模型的影响比对通用模型大。推理过程的 token 计入输出账单，长链条推理的单次成本因此明显高于同长度的普通生成。官方没有披露平均推理 token 数，只给出了速率限制：Tier 5 账号在 100 万上下文档位下每分钟 300 次请求^F6。

能力方面目前只有两组官方数字。AIME 2026 上官方声称提升 42%^F8；SWE-bench Verified 上官方声称 78.4%，上一代同类模型 71.2%^F9。两条都属于厂商自评，没有第三方复现记录，我们在事实清单里用虚线把它们单独标出。EvalHub 这一轮只复现了长上下文召回，两项能力分数仍是空白。

三、定价与开放策略

o5 的绝对值降价了。上一代推理模型是 5 美元输入、20 美元输出，o5 换成 4 美元与 16 美元，输出单价降 20%^F3。折扣结构没变，幅度更实用：缓存命中的输入按 75% 折扣计费，Batch API 在缓存价基础上再打五折^F5。两条可以叠加，离线批处理的命中输入成本因此能压到 0.5 美元/百万 token。

把折扣代进一次真实请求会更清楚。一次典型调用是输入 8,000 token（其中 6,000 命中缓存）、输出 2,000 token：未命中输入 0.008 美元，命中输入 0.006 美元，输出 0.032 美元，合计 0.046 美元；同一请求完全不命中缓存是 0.064 美元^F3F5。缓存省下的 0.018 美元不是谈出来的价格，而是「前缀稳定」这个工程习惯换来的：系统提示词、工具定义、检索片段顺序一旦固定，命中率就能稳定在七成以上。

规格与价格来自官方定价页与公告^F2F3F4F7；SWE-bench 一列中带「厂商自评」标记的数字没有第三方复现，与「第三方榜单」列不可直接相减。

开放策略上没有任何让步。o5 与 o5-mini 只通过 API 与 ChatGPT 提供，官方公告没有提到权重开放，也没有提到私有化部署方案。对比组里两个开放权重模型都提供权重下载，这一条通常比价格更早决定选型。

四、与开源方案的对比

把 o5 和开放权重模型放进同一张表，价格差距是数量级：DeepSeek-V4 输入 0.28 美元、输出 1.10 美元，缓存命中输入 0.07 美元，上下文 25.6 万；Qwen3-Max 输入 1.20 美元、输出 4.80 美元，上下文 262,144，最大输出 32,768^F7。按输入价算，o5 是 DeepSeek-V4 的 14.3 倍。

能力差距没有价格差距那么大。SWE-bench Verified 上 o5 的官方自评是 78.4%^F9，DeepSeek-V4 与 Qwen3-Max 在公开榜单上是 69.8% 与 68.1%^F7，直接相减是 8.6 分。这个差值不能当等价结论用：一边是厂商自评、可能是特定脚手架下的最好成绩，另一边是第三方榜单的复现成绩，评测口径、脚手架与重试预算都不相同。要判断该用哪一个，唯一可靠的做法是在自己的任务集上各跑一遍。

• 单轮短输出、对延迟敏感的任务：开放权重模型自部署在总拥有成本上仍然占优，尤其是调用量稳定、能把 GPU 压满的场景。
• 长上下文、跨文件推理、需要稳定工具调用的任务：o5 的 100 万窗口与 96.3% 召回率（51.2 万长度）目前没有开放权重方案能对上^F10。
• 输出长度不可预测的任务：推理 token 计入输出账单，两个方案都要按最坏情况估预算，用平均输出长度算会低估一半以上。
• 有数据边界约束的业务：部分模型只能通过特定区域调用，而开放权重模型可以自部署在境内，这一条通常直接决定选型，价格排在后面。

这四条里没有一条能靠读榜单得出结论，它们都要求先把自己的任务样本固定下来，再按同一套评估脚本对跑。价格是查得到的，适配度只能测出来。

五、对开发者与创业公司意味着什么

0.046 美元/次^F3F5 适合当预算基线。一个日活 1,000、人均 8 次调用的产品，每天约 368 美元；如果缓存完全不命中，同样的量是 512 美元，一个月差 4,320 美元。对多数工具型产品，模型成本是毛利的主要变量，比服务器账单更值得盯。

速率限制是第二个约束。100 万上下文档位每分钟 300 次请求^F6 对单租户够用，对多租户 SaaS 不够：长文档任务如果都直接打满窗口，一二百个并发用户就会摸到天花板。可行的做法是在网关侧按前缀哈希排队与合并，相同前缀的请求错峰发出，交互式请求走独立优先级队列。

迁移成本主要在提示词结构，不在代码。o5 对指令位置的敏感度比上一代低，但 reasoning.effort 会同时影响成本与延迟，需要按工具而不是按产品设默认值。旧模型仍然可用，历史提示词不会当天失效，真正的工作量在回归评测：每个工具取代表性样本跑一遍新旧模型对比，这部分通常比改接口更花时间。

六、值得关注的风险与不确定项

三项无法确认。其一，参数量、训练数据构成与是否蒸馏均未披露，官方也未回应；其二，AIME 与 SWE-bench 两项提升来自厂商自评^F8F9，没有独立复现，历史上厂商自评与第三方复现的差距常在 5 到 10 分之间；其三，88.1% 的召回率来自单一评测集^F10，换成中文合同或多跳检索，结果未知。

定价条款本身也带不确定性。缓存折扣与 Batch 折扣的执行细则写在文档里^F5，这类细则历史上被调整过多次，按 0.046 美元/次做的年度预算应该留出余量。计费口径也要看清：输入按实际 token 计，不按窗口上限计，100 万窗口不会让账单变成 100 万。

最后一个风险是依赖结构。把核心链路绑在单一外部供应商上，价格、限流、可用性与合规条款都不在自己手里。本站把工具与模型解耦：工具只声明需要什么能力，由路由层挑选当下可用的模型并支持降级，换模型只改一行配置。这个设计不是技术偏好，而是对上面这些不确定项的定价。