Привет! Это твой путеводитель по новому миру GPT-5, где нейросети стали намного умнее и самостоятельнее.

В этом гайде я собрала всё необходимое для максимально эффективной работы с новой системой — просто, понятно и по существу. Материал основан на моем личном опыте использования, официальных рекомендациях от OpenAI и отзывах других пользователей.

Что внутри:

🧠 Как устроен новый GPT-5 и чем эта модель отличается от других

💬 Простые принципы общения, которые работают

🛠️ Готовые шаблоны для разных задач

💰 Как сэкономить, если используешь API

Настя Рябова

эксперт по AI росту

больше материалов в моём канале: https://t.me/all_things_AI_0

Погнали разбираться с новыми возможностями!

Контекст: что изменилось

Раньше. Было много отдельных моделей (GPT-4o, GPT-4.1, o-серия и т.п.), и приходилось вручную выбирать «какую включать» под задачу.

Теперь. В ChatGPT работает система моделей GPT-5 с роутером: модель сама по контексту задачи решает, когда дать быстрый ответ (gpt-5-main/mini/nano) и когда думать глубже (gpt-5-thinking).

Главное про GPT-5

• Система, а не одна модель — встроенный роутер анализирует контекст и сложность задачи, а после автоматически направляет задачу в нужную модель:
• Quick answer mode для быстрого ответа (режим по умолчанию)
• GPT-5 Thinking для более сложных задач, где требуется ризонинг*
• Скорость — мгновенные ответы на простые вопросы: *в режиме Quick он быстрее GPT-4 (130-131 токен/сек против ~75)**;
• Автономность — умеет сам планировать и выполнять многошаговые задачи.
• Точность — лучше понимает инструкции и меньше галлюцинирует (на 45% меньше ошибок чем GPT-4o в обычном режиме и ~80% меньше в режиме GPT-5 Thinking).
• Честность — может напрямую сказать «Я не знаю» и объяснить, почему не может дать ответ.

Простыми словами: GPT-5 как умный студент — когда вопрос лёгкий, отвечает быстро и правильно, но когда сложный — долго думает, зато даёт очень точный ответ

Reasoning в LLM и почему это важно в контексте промптинга

<aside> 💡

Reasoning (ризонинг) — это способность модели анализировать задачу, разбивать её на логические шаги и критически оценивать возможные решения перед формированием ответа.

</aside>

Простым языком:

• Обычные модели работают как быстрый собеседник — сразу выдают первое, что приходит в голову на основе того, что они запомнили.
• Модели с ризонингом работают как вдумчивый эксперт — сначала обдумывают проблему, рассматривают варианты, проверяют свою логику, и только потом дают ответ.

Почему это важно?

Ризонинг меняет саму логику составления запросов.

Если раньше нужно было детально расписывать каждый шаг («сначала сделай А, потом Б, потом В»), то с ризонинг-моделями достаточно чётко сформулировать цель и контекст — модель сама построит план решения.