2023 年 3 月，GPT-4 发布。相比 ChatGPT 带来的大众震撼，这次更新更像一次能力边界的推进：更复杂的指令、更长的上下文、图像输入，以及在多项专业考试和基准上明显提升的表现。
从这一刻开始，人们不再只问大模型能不能写一段像样的文字，而开始尝试让它处理真实任务：读文档、分析图表、调试代码、规划流程。
多模态不只是“看懂图片”
当模型同时接受文字和图像，输入就不再局限于被人工整理好的句子。截图里的报错、手绘的网站草图、带表格的报告，都可以直接成为上下文。
这件事的产品意义大于演示效果。现实世界的信息本来就分散在界面、图表、照片和文字中。多模态让 AI 少依赖人工转换，也让“理解现有状态—提出下一步动作”的链路更完整。
但看见不等于可靠测量。图像中的细小文字、空间关系和专业图表仍可能被误读。涉及金额、坐标或医学影像时，模型描述只能作为候选解释，不能代替专用识别和确定性校验。
能力提升后，评测反而更难
早期语言模型可以用困惑度或若干标准题比较。模型进入开放任务后，“好”变得依赖场景：客服需要一致与可控，编程需要能通过测试，写作则可能更看重风格和新意。
GPT-4 的技术报告同时讨论考试表现、安全评估和局限，这说明模型发布已不仅是训练问题，也是测量问题。一个通用平均分无法回答它能否在自己的系统中安全工作。
团队需要建立本地评测集：收集真实请求、困难边界和过去事故，用固定标准比较模型版本。否则每次升级都只凭几段演示判断，线上行为就会随着底座变化而漂移。
“更聪明”仍然不等于“知道事实”
GPT-4 减少了不少明显错误，却没有消除幻觉。推理过程写得完整，也可能建立在错误前提上。模型擅长在上下文中寻找模式，不会自动连接企业数据库、最新文档和真实执行环境。
因此，大模型应用的架构逐渐从一个 Prompt 走向完整系统：检索提供依据，工具执行操作，权限限制范围，评测监控质量，人类为高风险步骤兜底。模型是核心组件，却不是整个产品。
我的理解：模型能力越强，工程边界越重要
弱模型的错误一眼可见，强模型的错误往往更加连贯。能力提升会扩大可自动化范围，也会放大错误被直接采纳的风险。
我更愿意把 GPT-4 当成一个推理引擎，而不是事实仓库。让它负责解释、归纳、规划和生成候选，让数据库、编译器、计算器与业务服务负责确定性事实；重要动作通过权限和审批控制。这样的分工比要求一个模型“什么都做对”现实得多。
GPT-4 之后，大模型真正的竞争不再只是聊天窗口里谁回答得漂亮，而是谁能被可靠地嵌入复杂系统。软件工程再次证明：原始能力决定上限，边界、反馈和运维决定它能否长期使用。
参考资料
本文是 2026 年整理断更期时写下的回顾，发布日期按事件所处阶段归档。