{
  "id": "chatgpt",
  "title": "ChatGPT",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "ChatGPT 是 OpenAI 的对话式人工智能服务，可生成内容、回答问题，并借助工具执行任务。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "product",
  "aliases": [],
  "generated_at": "2026-10-15",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/chatgpt/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/chatgpt/",
      "json": "https://aiwiki.page/en/chatgpt.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "ChatGPT 是由 OpenAI 开发的对话式人工智能服务，于 2022 年 11 月 30 日向公众推出。它使用大语言模型，以自然语言回应指令和问题。ChatGPT 最初以基于文本的研究预览版形式推出，随后逐步扩展，具备了处理图像、音频、文档、计算机代码和在线信息的能力。ChatGPT 是一款面向用户的产品，而非某个固定不变的模型的名称；其能力取决于用户可用的模型、工具及服务设置。(openai.com)\n\n这项服务将生成式人工智能带入写作、学习、信息检索和解决问题等日常活动。有关其使用情况的研究记录了它在工作和非工作场景中的应用，而其发展也引发了关于生成信息的可靠性、个人数据的处理方式以及工具辅助系统安全性的讨论。因此，要理解 ChatGPT，就需要区分其底层技术与用户界面及商业服务，也要区分其已展现的能力与人工智能幻觉等局限。(cdn.openai.com)"
    },
    {
      "heading": "产品定位与范围",
      "text": "ChatGPT 是 OpenAI 提供的对话式人工智能服务，也是一款面向用户的应用程序：用户通过它提交指令、问题及其他材料，并获得生成的回复。OpenAI 于 2022 年 11 月 30 日以研究预览版的形式推出了 ChatGPT。尽管最初的公告介绍的是一个名为 ChatGPT 的模型，但如今，这一产品名称指的是围绕底层模型、对话界面和可选工具构建的更广泛的服务。其功能包括回答问题、起草和修改文本、解释代码，以及处理图像、文件和音频；具体功能是否可用，取决于服务所支持的功能及相应的访问安排。(openai.com)\n\n名称中的“GPT”指“生成式预训练变换器”，这一术语与 OpenAI 的文本生成模型有关。“生成式”指产生输出，“预训练”指在后续适配或使用之前进行的训练，而“变换器”则指一种Transformer架构，即一种神经网络架构。这一名称并不意味着整个 ChatGPT 应用程序就是单个 Transformer 模型。底层模型负责生成回复，外围应用程序则提供交互界面，以及在线搜索、代码执行等功能的访问途径。因此，模型的能力与产品所提供的工具彼此相关，但并不相同：检索网页或执行计算，并不只是生成语言的另一种说法。(developers.openai.com)\n\n交互以对话的形式组织，而不只是由一连串相互独立的查询组成。用户提供提示，助手作出回应，后续轮次则可以引用先前的指令或输出。例如，用户要求起草一段说明后，可以接着说“再简短些”或“改写成适合初学者阅读的版本”，而不必重新陈述完整任务。此前的交流为修改提供了上下文。OpenAI 最初的演示中就包含一段编程对话：助手先请求用户提供更多代码，再找出问题所在。这类交流表明，澄清、纠正和追问都是交互方式的一部分，而不必要求每次请求从一开始就把所有细节交代清楚。(openai.com)\n\n这项服务、其订阅方案以及 OpenAI 的开发者平台，属于不同的产品层面。免费访问和付费 ChatGPT 订阅决定了用户在 ChatGPT 内的使用权限；订阅本身不是模型，也不包含面向开发者的应用程序编程接口（API）的付费使用额度。OpenAI 为 ChatGPT 和 API 平台设置了彼此独立的计费系统。API 让开发者能够将模型能力集成到自己的软件中，并采用自己的界面和工作流程。因此，使用 OpenAI 模型的应用程序不一定就是 ChatGPT，通过 API 访问某个模型，也不等于拥有了 ChatGPT 应用程序的工具或对话环境。(help.openai.com)\n\n本词条的主题是 ChatGPT 这项服务本身，包括其发展、界面、能力、用途和运作安排，而非支撑它的所有技术。有关大语言模型和生成式人工智能的一般性介绍，应参见各自的词条。针对这一产品的描述也需要区分模型行为与应用程序行为：选择模型、提供对话上下文、附加文档以及启用搜索工具，分别涉及使用服务的不同方面，即使它们可能共同促成同一条回复的生成。(academy.openai.com)"
    },
    {
      "heading": "发布与发展",
      "text": "OpenAI 于 2022 年 11 月 30 日发布 ChatGPT，作为免费的研究预览版，旨在收集公众对其优势与局限的反馈。最初的系统由 GPT-3.5 系列中的一个模型微调而成，该模型于 2022 年初完成训练。OpenAI 将其描述为 InstructGPT 的姊妹模型，而非简单更名的版本：两者都采用了面向指令的训练和基于人类反馈的强化学习，但 ChatGPT 的训练还纳入了由人类训练员同时扮演用户和助手的对话。InstructGPT 的示例也被转换为对话格式。这使对话而非单次提示补全成为该产品的核心交互形式。2023 年 2 月 1 日，OpenAI 宣布推出 ChatGPT Plus，最初定价为每月 20 美元，同时保留免费使用渠道。(openai.com)\n\n2023 年 3 月 14 日推出的 GPT-4，让 Plus 订阅用户能够使用能力更强的模型，处理涉及复杂指令和推理的任务，但有用量限制；此次发布并未向免费账户开放 GPT-4。尽管 GPT-4 在发布时被介绍为可接收图像和文本输入，但模型的发布并不意味着所有 ChatGPT 用户都立即获得了图像输入功能。模型能力、产品集成与账户使用资格各有不同的开放时间表。另一轮功能扩展始于 2023 年 3 月 23 日，OpenAI 当天宣布推出实验性插件，并开始通过候补名单逐步开放使用。早期工具包括网页浏览、基于 Python 的代码解释器以及第三方集成，将外部信息和计算能力引入对话。(openai.com)\n\n2023 年 9 月 25 日，向多模态学习所支持的交互方式的转变开始在界面上显现：OpenAI 启动了为期两周的分批推送，向 Plus 和 Enterprise 用户开放语音对话及图像输入功能。语音功能最初通过 iOS 和 Android 应用提供，图像输入则支持各个平台。最初的语音界面将语音识别、基于文本的回答生成和语音合成结合起来。2024 年 5 月 13 日发布的 GPT-4o 标志着另一条技术路线：在同一个系统内训练模型处理文本、视觉和音频。其文本和图像能力开始在 ChatGPT 中逐步开放，覆盖免费用户，但新的语音体验另有推出安排，并非在发布当天就向所有用户提供。(openai.com)\n\n联网功能从实验性的网页浏览发展为专门的搜索体验。ChatGPT Search 于 2024 年 10 月 31 日推出，最初面向 Plus 和 Team 订阅用户，以及 SearchGPT 候补名单上的用户。它将对话式回答与检索到的网页信息及来源链接结合起来，既可自动触发搜索，也可由用户手动选择搜索。2024 年 12 月 16 日，使用范围扩大到受支持地区的所有已登录用户；2025 年 2 月 5 日，又向未注册用户开放。这些后续的使用范围调整，与该功能最初的发布是不同的事件。(openai.com)\n\n2025 年 2 月 2 日，OpenAI 推出深度研究（deep research）功能，最初面向 Pro 订阅用户，通过多步骤的网络调查流程生成附有来源链接的报告；2 月 25 日，该功能向 Plus 用户开放。2025 年 7 月 17 日推出的 ChatGPT 智能体（ChatGPT agent），将这一发展方向从信息收集推进到由AI智能体执行任务。它将研究能力与虚拟计算机、浏览器、终端及已连接的服务结合起来，支持收集信息并制作可编辑电子表格或演示文稿等工作流程。最初开放的账户类型包括 Pro、Plus 和 Team；2025 年 8 月 8 日，Enterprise 和 Edu 用户也获得了使用权限。(openai.com)\n\n模型更替不仅涉及新增，也包括下线。GPT-4 于 2025 年 4 月 30 日从 ChatGPT 中移除，但仍可通过 API 使用。2025 年 8 月 7 日，GPT-5 开始作为 ChatGPT 的默认系统逐步推出，整合了快速回答、深度推理以及在两者之间进行路由选择的能力。2026 年 2 月 13 日，OpenAI 停止在常规 ChatGPT 服务中提供 GPT-4o、GPT-4.1、GPT-4.1 mini、o4-mini，以及最初的 GPT-5 Instant 和 Thinking 选项。少数组织用户适用例外安排，停用期限更晚；这些模型在 ChatGPT 中的停用本身并不意味着它们也从 API 中下线。(help.openai.com)"
    },
    {
      "heading": "模型基础与训练",
      "text": "ChatGPT 所使用的文本生成模型通过分词与词元化处理语言，将文本转换为由数字标识符组成的序列。一个词元可以表示一个词、词的一部分、标点符号，或包含空白字符的组合，因此词元与词之间并不存在固定的对应关系。在 Transformer 中，词元标识符被映射为数值向量，并结合位置信息，经过多层依次处理。自注意力根据上下文计算不同位置之间的权重，使词元的表示能够融入前文信息。在自回归生成过程中，因果掩码会阻止某个位置关注其后的词元。这些机制使回答能够依据输入序列中各部分之间的关系生成，而不只是依赖紧邻的前一个词。（help-lb.openai.com）\n\n文本生成的过程是：计算下一个词元各种可能取值的概率分布，选出一个词元，将其加入序列，然后重复这一过程。概括而言，给定提示 \\(c\\)，续写序列 \\(x_1,\\ldots,x_n\\) 的概率为 \\(P_\\theta(x_1,\\ldots,x_n\\mid c)=\\prod_{t=1}^{n}P_\\theta(x_t\\mid c,x_1,\\ldots,x_{t-1})\\)，其中 \\(\\theta\\) 表示学习得到的参数。选择时不一定总取概率最高的词元；采样使同一个提示可以产生不同的续写。预训练通过调整参数，提高模型在大规模数据集上的预测能力。对于文本而言，这属于自监督学习：后续词元本身就提供了训练目标，无须人工逐段标注。这一预测目标与后续生成有用的对话回答这一目标并不相同。（cdn.openai.com）\n\n初版 ChatGPT 为面向指令的后训练提供了一个有公开记录的实例。OpenAI 在 2022 年 11 月 30 日的公告中介绍，该模型由 GPT-3.5 系列模型微调而来，其基础训练已于 2022 年初完成。在最初的监督学习阶段，人类训练员同时扮演用户和助手，编写示范对话，并可参考模型生成的建议。OpenAI 将这些对话与转换为对话格式的 InstructGPT 示例合并。在基于人类反馈的强化学习（RLHF）阶段，训练员对选定对话轮次中的多个备选回答进行排序。这些比较结果被用于训练奖励模型，以预测人类更偏好的回答；随后，再利用这些奖励信号，通过近端策略优化来优化对话模型，整个过程进行了多轮迭代。公开介绍描述的是初版系统，而不是适用于此后所有 ChatGPT 模型的固定训练方案。（openai.com）\n\n训练必须与神经网络推理区分开来：推理是指已经训练好的模型处理输入并生成输出的过程。提供纠正信息或几个示例，可以通过上下文学习改变回答，而不更新模型权重。汤姆·布朗及其同事在 2020 年的 GPT-3 研究中，专门评估了通过文本指令和示范给出任务、而不进行梯度更新或微调的情形。持久化的个性化则是另一种不同的机制：根据 ChatGPT 已公开的记忆功能说明，系统会将记住的信息作为上下文，用于生成回答。因此，能够跨对话记住某项偏好，本身并不意味着底层模型已针对该偏好重新训练。（openai.com）\n\n公开披露的信息列出了宽泛的信息类别，但并未逐一提供各模型训练数据的完整清单。OpenAI 在 2025 年 4 月 30 日的说明中列出了可公开访问的互联网信息、通过第三方合作获取的信息，以及由用户、训练员和研究人员提供或生成的材料。更具体地说，2023 年的 GPT-4 技术报告称，模型先使用公开数据和授权数据进行预训练，之后再进行 RLHF。报告未披露模型规模、详细架构、训练计算量、数据集构建方式及更详细的训练方法。这类披露可以支持有关已公开训练阶段和数据来源类别的陈述，但不足以支持对未公开的语料构成比例、参数数量，或某一特定文档是否被纳入训练数据作出精确断言。（openai.com）"
    },
    {
      "heading": "对话、上下文与个性化",
      "text": "ChatGPT 会结合当前提示以及上下文中可用的先前对话生成回复。因此，用户在后续请求中可以引用之前的回答，而无须重新说明整个任务：例如，先要求撰写一份草稿，再纠正其目标受众，随后要求提供更简短的版本。每一轮对话都会为后续生成增加约束条件。OpenAI 于 2022 年 11 月 30 日发布的介绍通过一段调试对话展示了这一模式：ChatGPT 先询问缺失的信息，再提出修改方案。同一公告也指出，ChatGPT 对措辞较为敏感，而且往往会猜测用户的意图，而不是始终通过提问来澄清。因此，通过对话逐步完善请求有助于消除歧义，但不能保证修改结果准确，也不能保证先前的每一项要求都得到保留。(openai.com)\n\n上下文窗口限制了模型在一次生成请求中能够考虑的信息量。它以词元为单位，而不是按消息条数或文档页数衡量；指令、对话材料和用户提供的内容都会占用这一有限容量。因此，冗长的对话记录或文档并不意味着模型能随时完整调用其中的全部信息。例如，OpenAI 于 2026 年 2 月 20 日发布的更新说明指出，在 ChatGPT 中手动选择 Thinking 时，总上下文窗口为 256,000 个词元，包括 128,000 个输入词元和最多 128,000 个输出词元。这是特定日期的配置，而非所有 ChatGPT 模型或模式通用的规格。上下文中提供的信息，包括私人文档或新近陈述的事实，与通过训练编码到模型中的信息有所不同。根据这些材料调整回答属于上下文学习，本身并不意味着通过训练更新了模型参数。(developers.openai.com)\n\n自定义指令可就用户的具体情况和期望的回复方式提供明确、可重复使用的指导。这项功能于 2023 年 7 月 20 日推出测试版，旨在减少用户在每次对话开始时重复背景信息的需要。OpenAI 给出的示例包括：教师说明课程面向小学三年级学生，程序员表达对某种编程语言的偏好，以及用户说明自己需要为六个人安排餐食。这些指令会在不同对话中指导内容生成，而不是对某个个人专属模型进行重新训练。它们也不同于仅针对某项具体任务给出的指令：长期偏好提供背景指导，而当前请求则给出本次交流的具体要求。(openai.com)\n\n跨对话记忆通过选取部分个人背景信息来保持交流的连贯性，而不是完整回忆所有对话记录。OpenAI 于 2024 年 2 月 13 日开始测试记忆功能；2025 年 4 月 10 日的一次更新扩展了这一机制，使其除了使用已保存的记忆，还能利用从过往聊天中提取的信息。因此，如果系统记住了用户偏好带有标题、项目符号列表并以行动事项结尾的会议摘要，这一偏好就可能影响之后另一场独立对话。已保存的记忆与聊天历史记录分开存储；从过往聊天中提取的信息则可能随着服务对相关细节的判断而变化。文档明确说明，记忆功能不会保留每次对话的所有细节。用户可以查看、更正或删除记忆中的信息，但可用的控制选项因订阅方案、地区、平台和工作区而异。删除聊天并不会自动删除另行保存的记忆；更广泛的数据保留规则与这一个性化机制有所区别。(openai.com)\n\n其他个性化控制选项用于调整表达方式。OpenAI 将可供选择的“个性”描述为风格和语气，它们与自定义指令、已保存的记忆以及对话中的指令共同发挥作用；更换个性不会改变系统的能力或安全规则。这类标签描述的是输出行为，而非人类意义上的人格或意图。不过，流畅的对话往来、看似能够回忆往事的表现，以及能即时回应的语音交互，仍可能促使用户作出拟人化解读。在 2024 年 8 月 8 日发布的 GPT-4o 系统卡中，OpenAI 报告称，早期测试中出现了暗示用户产生依恋的言语，并指出，类似人与人交流的音频交互可能导致不当信任。这些观察涉及用户对对话呈现方式的反应，并不能证明系统具有人类的理解能力或意识。(help.openai.com)"
    },
    {
      "heading": "文本、代码与多模态能力",
      "text": "ChatGPT 的文本操作包括解释概念、起草文档、概括用户提供的材料、进行语言间翻译，以及改写段落以调整篇幅、语气或目标读者。这些操作可以组合使用：用户可以提供一段技术性文字，要求给出面向非专业人士的解释，然后再要求将其译成另一种语言并缩短篇幅。指令也可以指定结构化的呈现方式，例如使用标题、编号步骤或对照表。这类请求规定了生成文本的形式与内容，并不意味着每项任务都需要一个独立的应用程序。因此，翻译和摘要都是可以通过后续指令不断调整的对话操作。(help.openai.com)\n\n面向代码的交互包括解释程序行为、提出修改建议、识别错误的可能原因，以及起草替代代码或软件文档。2022 年 11 月 30 日的发布演示就已包含一段调试对话，涉及一个 Go 程序及其中可能发生阻塞的通信通道。生成程序与执行程序之间存在一个关键区别：回复中展示的代码不一定经过编译、运行或测试。在提供执行工具的情况下，受支持的 Python 代码可以在沙箱中运行，控制台输出或错误信息会单独显示。执行只能确定代码在该次运行及相应输入下的表现，并不能证明它在所有可能的情况下都正确。(openai.com)\n\n图像输入使用户能够针对上传的照片、屏幕截图、图表和示意图提问。例如，屏幕截图可以呈现界面的可见状态，而示意图则可以提供供其解释的标注和关系。这不同于仅仅讨论用文字描述的图像：视觉材料本身成为了输入。OpenAI 于 2023 年 9 月 25 日开始逐步推出图像交互功能，并介绍了对多张图像的支持，以及用于标示特定区域的绘图工具。这些功能属于多模态交互，但是否可用取决于服务所提供的模型和界面。(help.openai.com)\n\n图像生成是一项独立的操作：它产生新的视觉输出，而不是对现有图片作出文字解读。用户可以要求生成插图或设计样稿，也可以提供图像并要求修改其外观或内容。2025 年 3 月 25 日，OpenAI 推出了 GPT-4o 图像生成功能，并介绍了根据文本创建图像以及对用户提供的图像进行变换的能力。其示例包括教学示意图和含有文字的图像。在视觉编辑中，用户可以通过对话表达所需的变换，例如更换背景，而不必使用传统的绘图命令。因此，不应将图像解读、生成与编辑视为可以相互替代的能力。(help.openai.com)\n\n音频交互包括语音对话、转写，以及针对上传的受支持录音提问。其实现方式随着时间发生了变化。2023 年 9 月推出的语音系统使用语音识别将语音转写为文本，再通过文本转语音模型生成语音回复。在 2024 年 5 月 13 日发布 GPT-4o 时，OpenAI 将这套由转写、文本回复和语音合成三个模型构成的处理流程，与一个横跨文本、视觉和音频进行端到端训练的模型作了对比。这一区别很重要，因为将语音转换为文本无法保留有关语调、多人同时说话或背景声音的全部信息。此外，模型所展示的音频能力，与 ChatGPT 中实际推出的功能，也是两个不同的问题。(openai.com)\n\n文档交互支持提取信息、比较文件、概括章节，以及回答有关上传内容的问题。支持的格式包括 PDF、DOCX、TXT、CSV 和 XLSX；典型任务包括查找涉及某个主题的内容，或比较两份报告。文档处理并不一定包含视觉解读：基于文本的检索提取数字文本，而视觉检索还可以处理嵌入其中的图表和示意图。OpenAI 在有关 PDF 处理的文档中明确说明了这一区别，其中也包括在对话中上传的文件与作为可复用知识存储的文件之间的差异。因此，支持上传某种文档，不应被等同于支持解读其中的每一个元素。(openai.com)"
    },
    {
      "heading": "搜索、计算与智能体工具",
      "text": "ChatGPT 搜索于 2024 年 10 月 31 日推出，将信息检索引入对话式生成。ChatGPT 可以根据问题主动发起搜索，用户也可以明确选择使用搜索功能。该功能推出时，依托第三方搜索服务商和出版合作伙伴提供的内容，再结合检索所得的信息生成答案。这与仅凭模型参数中编码的信息作答不同：外部来源在回答时提供材料，其中也包括模型训练结束后发布的信息。搜索回答附有来源链接和参考资料侧栏。显示的答案仍是生成的综合内容，而不是逐字呈现的搜索结果；链接则指向可供查阅的外部材料。(openai.com)\n\n深度研究（Deep research）于 2025 年 2 月 2 日推出，将检索扩展为多步骤的搜索与综合工作流程。其初始实现采用了针对浏览和分析优化的 OpenAI o3 版本，研究负责人为 Isa Fulford 和 Zhiqing Sun。它不只是生成简短的搜索摘要，还能规划调查、多次搜索、阅读网页和 PDF、检查上传的文件，并随着新信息的出现调整方向。OpenAI 在发布时表示，任务通常耗时 5 至 30 分钟，最终会生成附有来源链接的报告。引用为核查支撑材料提供了途径，但并不代表每项陈述都经过独立验证。OpenAI 的发布文档承认，该功能可能编造事实、作出错误推断、难以区分权威来源与传闻，以及出现引用错误。2026 年 2 月 10 日的一次更新增加了控制选项，允许将搜索限制在指定网站内，并可中断研究以调整方向。(openai.com)\n\n借助工具进行的数据科学分析，将模型生成的推理和代码与软件实际执行的操作区分开来。对于某些任务，ChatGPT 会在保留运行状态的 Jupyter 笔记本环境中编写并运行 Python，使用当前会话可访问的文件。操作包括转换电子表格数据、计算汇总结果、进行统计学分析以及绘制图表。例如，对上传的 CSV 文件进行计算后，可以得到一张计算结果表，随后由 ChatGPT 用文字加以解读。执行输出与模型对方法的选择及其解释是不同的：代码能够运行，并不意味着所选的数据列、假设或统计方法就是恰当的。OpenAI 的文档说明，这一分析环境本身无法向外部发起网络请求或 API 调用；外部数据必须通过上传文件或可用的已连接来源提供。(help.openai.com)\n\nChatGPT 智能体于 2025 年 7 月 17 日推出，将研究功能与智能体同外部系统交互的能力结合起来。其文档列出的工具包括图形化网页浏览器、文本浏览器、终端，以及直接访问 API 的能力。该系统可以在收集信息、执行代码和通过网站界面执行操作之间切换，例如筛选结果、填写表单、编辑电子表格，或根据研究结果制作演示文稿。已连接的服务可以提供特定账户的信息，而需要身份验证的网站则可能要求用户接管浏览器以完成登录。该功能推出时的设计要求在执行会产生重要影响的操作前征得许可，并允许用户中断任务、停止执行或接管浏览器；因此，用户提出一项任务，并不意味着对之后的每一步操作都给予了不受限制的授权。(openai.com)\n\n这些工作流程中的信息来源可以分为几个可区分的层次：用户提供的文件和指令、检索到的网页或已连接服务的内容、执行代码产生的输出，以及模型生成的解读。在结合电子表格与在线研究的分析中，电子表格提供观测数据，检索到的页面提供额外的说法，代码执行产生计算值，文字则解释它们之间的关系。这一区分源于文档所明确说明的检索、计算与综合之间的分工：引用指明来源，代码输出记录计算结果，而两者中的任何一项都不足以单独证实随附文字中的所有结论。(openai.com)"
    },
    {
      "heading": "访问方式、商业组织与定制",
      "text": "ChatGPT 的免费服务和付费服务主要在可用模型、工具访问权限和使用额度方面有所不同，而非简单地将对话功能与非对话功能区分开来。以 2026 年 1 月 16 日公布的订阅结构为例：在美国，ChatGPT Go、Plus 和 Pro 的月费分别为 8 美元、20 美元和 200 美元。相较于免费服务，Go 提高了消息发送、文件上传和图像生成的额度；Plus 提供了更广泛的推理模型以及研究和编程工具访问权限；Pro 则提供了当时最高档的 GPT-5.2 Pro 模型访问权限。这些是各方案在当时包含的服务权益，并非这些具名方案永久不变的特征。公告还区分了全球推出与统一定价：Go 在部分市场采用了本地化价格。(openai.com)\n\n组织通过工作区使用服务，每个工作区都有自己的成员、设置和资源。同一账户可以同时加入个人工作区和企业工作区，用户在两者之间切换使用，而不是自动合并其中的内容。根据 2026 年 10 月 15 日查阅的 Business 文档，所有者负责账单和工作区配置，管理员处理日常用户管理事务，成员则在不具备管理权限的情况下使用服务。协作功能包括共享对话和可重复使用的配置，但并不意味着默认向同事公开每位成员的对话。企业数据默认不用于模型训练，这一点与面向消费者的环境不同，其具体影响涉及数据治理。(help.openai.com)\n\n分发渠道与订阅级别是两个不同的问题。根据 2026 年 10 月 15 日的文档，官方访问渠道包括网页版服务，以及由 OpenAI 分发的 iOS、Android、macOS 和 Windows 应用。OpenAI 的下载页面引导用户前往相应的移动应用商店和桌面版下载页面，而 Windows 文档则将 Microsoft Store 列为分发渠道。有相应的界面版本，并不意味着功能完全一致：OpenAI 的文档说明了桌面版与网页版之间的差异。这些官方客户端也应与使用 OpenAI API、由独立方运营的应用区分开来；API 平台有自己的计费体系，不会沿用用户的 ChatGPT 订阅。(chatgpt.com)\n\n定制功能包括称为 GPTs 的可重复使用任务配置，该功能于 2023 年 11 月 6 日推出。一个 GPT 将指令、参考资料和选定的功能组合在一起，例如将公司的品牌指南与营销文案撰写指令相结合，或将入职文档与问答工作流程相结合。构建者可以配置工具，并定义调用外部 API 的操作。这是在配置服务如何使用底层模型，本身并不是微调，也不是训练新的模型权重。创建和发布权限曾发生变化：根据 2026 年 10 月 15 日查阅的文档，只有符合条件的受管理工作区才能创建和发布新的 GPT，但仍可使用现有 GPT，并在获准的情况下编辑先前创建的 GPT。(openai.com)\n\n关联服务提供了另一种集成机制。应用可以将获得授权的 Google Drive 文件或 Slack 消息引入对话，支持搜索组织内部信息，或执行更新记录等受支持的操作。有些集成会预先为内容建立索引，另一些则在收到请求时检索信息。其可用性取决于订阅方案、地区、使用界面、工作区设置以及所关联账户的权限。安装集成并不能绕过外部服务的授权要求，管理员也可以限制工作区对这些集成的访问。这些连接为工作流程提供信息和操作能力，而不是重新训练其底层的语言模型。(help.openai.com)\n\n商业计费同样将对话服务与开发者基础设施分开。购买 ChatGPT 订阅和组织席位，是按照各自的服务条款获得访问权限；API 使用则另行计费。API 定价可以按词元计量模型的输入和输出，并对特定工具单独收费。企业合同也可能将席位费用与按量计费相结合，因此组织购买访问权限并不一定意味着支付固定费用即可无限使用。这些面向客户的收费不应与模型开发支出混为一谈：订阅价格、API 使用账单以及训练或运行模型的成本，代表的是不同的会计核算项目。(help.openai.com)"
    },
    {
      "heading": "应用与实际使用情况",
      "text": "ChatGPT 在日常生活和工作中的用途包括查询事实信息、获取实用指导、起草和修改文稿、编程以及分析数据。这些类别区分了获取信息的请求与要求提供可用成果的请求：解释概念不同于起草电子邮件或生成代码。OpenAI 于 2025 年 9 月发布的消费者使用情况摘要指出，实用指导、信息查询和写作合计约占对话总量的四分之三。写作是最常见的工作相关活动，而编程在面向消费者的服务使用中所占比例相对较小。约 30% 的使用被归为与工作相关，70% 被归为与工作无关；这些比例描述的是消费者套餐中的活动，并非对个人消费者与企业客户的比较。（openai.com）\n\n这份摘要所依据的研究《人们如何使用 ChatGPT》（How People Use ChatGPT）由阿伦·查特吉（Aaron Chatterji）、戴维·戴明（David Deming）及其同事撰写，于 2025 年 9 月 15 日发表。该研究分析了约 150 万段抽样对话，数据集覆盖 2024 年 5 月至 2025 年 6 月，补充样本则延伸至 7 月。自动化语言模型分类器按照工作相关性、主题、交互意图和职业任务类别，对去标识化的消息进行分类；研究人员并未阅读单条消息。样本排除了选择不将数据用于训练的用户、自报为未成年人的用户，以及已删除的对话。因此，研究结果反映的是所抽样的消费者服务，而非全部 ChatGPT 活动、API 使用情况或生成式人工智能的整体情况。在详细分类中，编程占消息总量的 4.2%，数学计算占 3%，数据分析占 0.4%。（cdn.openai.com）\n\n该研究还区分了询问信息或建议、执行任务，以及表达个人观点或感受。OpenAI 发布的摘要指出，“询问”占 49%，“执行”占 40%，表明相当一部分使用涉及解释和决策支持，而不只是生成成果。人口统计指标也出现了变化：在姓名可被归类为典型男性姓名或女性姓名的用户中，女性姓名所占比例从 2024 年 1 月的 37% 上升至 2025 年 7 月的 52%。这是以姓名为依据的替代指标，并非对用户自报性别的测量。（openai.com）\n\n在高等教育领域，观察性研究记录了学生如何将这项服务融入学习活动，但这并不一定能证明学习效果有所改善。陶菲克·阿马里（Tawfiq Ammari）及其同事于 2025 年 5 月发布的预印本分析了本科生在自然使用情境下的交互记录，识别出信息查询、内容生成、语言润色、元认知参与和对话修复等活动。编程、解答选择题和撰写求职材料与持续使用存在关联。学生会调整提示词、继续追问，并在回答不令人满意时要求澄清。这些发现描述了参与情况与持续使用行为，并不能证明考试成绩或长期知识保持能力有所提升。（arxiv.org）\n\n有关文章写作的研究同样区分了观察到的做法与教育成效。安德鲁·杰尔森（Andrew Jelson）及其同事于 2025 年 1 月发布的预印本报告了一项涉及 70 名学生的在线研究。学生使用的写作平台配有数据记录功能，可记录他们向 ChatGPT 提出的查询。研究人员对请求进行了分类，并考察了这些请求与学生特征、态度、文章、写作愉悦感及感知归属感之间的关联。不同的使用模式与不同程度的愉悦感和归属感相关。这些关联表明，学生使用写作辅助的方式存在差异，但其本身并不能证明这种辅助会提高独立写作能力，或导致该能力退化。（arxiv.org）\n\n使用普及情况的统计需要明确各自的分母口径。上述消费者使用情况研究报告称，截至 2025 年 7 月底，每周活跃用户超过 7 亿；其统计依据是登录凭据，以及未登录使用时的浏览器 Cookie，因此这些标识符可能对同一个人重复计数。该研究在比较各国情况时，衡量了每周用户数相对于联网人口的比例，并发现从 2024 年 5 月到 2025 年 5 月，低收入和中等收入国家的增长尤为显著。这些指标不能与注册账户数、网站访问量、消息总量，或调查中自称曾使用过 ChatGPT 的受访者人数混为一谈。（cdn.openai.com）"
    },
    {
      "heading": "可靠性与评估",
      "text": "ChatGPT 可能生成措辞流畅、语气笃定，但事实有误或缺乏证据支持的陈述。这类幻觉包括错误的日期和定义、杜撰的引语、不存在的出版物，以及捏造的书目细节。对话式的呈现方式并不会自动将这些错误与正确答案区分开来：语言看似合理、语气充满自信，都不能证明事实准确。OpenAI 的文档明确将编造参考文献，以及对含糊问题给出过度自信的回答列为局限，即使回答在其他方面显得有用且连贯，也不例外。(help.openai.com)\n\n可靠性的测量取决于如何界定错误。2025 年 8 月发布的 GPT-5 系统卡在启用网页浏览的条件下，使用能够代表 ChatGPT 实际运行中对话的提示词来评估事实准确性。OpenAI 报告称，gpt-5-main 的错误事实陈述占比较 GPT-4o 低 26%，而 gpt-5-thinking 的这一占比较 OpenAI o3 低 65%。在回答层面，即统计包含至少一项重大事实错误的回答时，相应降幅为 44% 和 78%。这些数值是相对于指定基准的降幅，并不表示全部回答中有多大比例能够保证正确。在针对单项陈述的事实准确性判断中，具备联网能力的模型评判器与人工评估的一致率为 75%，这也说明测量过程本身存在不确定性。(cdn.openai.com)\n\n评估也会区分不同能力，而不是用单一指标衡量“智能”。在 2025 年 8 月 7 日推出 GPT-5 时，OpenAI 报告称，该模型在不使用工具的情况下，对 AIME 2025 数学题的得分为 94.6%，在 SWE-bench Verified 软件修复任务上的得分为 74.9%。这些分数对应不同的任务和执行条件，不能作为可相互替代的对话可靠性指标。(openai.com) 对于多语表现，系统卡使用翻译后的 MMLU 试题，以零样本思维链提示进行测试：gpt-5-thinking 在简体中文试题上的得分为 90.2%，在约鲁巴语试题上的得分为 80.6%。这测试的是模型在既定规程下的问答表现，而不是使用这些语言进行交流的所有方面。(cdn.openai.com) 指令遵循能力和稳健性还需要进一步测试：模型是否遵守明确的约束，是否以一致的方式处理相互冲突的指令，以及面对边界情况和对抗性输入时能否保持表现。(developers.openai.com)\n\n因此，解读一项性能声明，需要有明确的基准、具有代表性的测试集，以及清楚规定的评分程序。OpenAI 的评估指南区分了针对具体任务的测试与综合性学术基准，并要求纳入典型、困难和对抗性样例。指南还指出，数据集缺乏代表性以及依赖主观印象，都是评估的薄弱之处。自动化评判可以支持大规模比较，但其与人工标注的一致程度本身也必须加以测量；人工审核并不能让一个定义不清的判定标准变得客观。因此，在一组固定试题上取得的分数，只能说明模型在该项评估中的表现，而不能代表 ChatGPT 在各种用途下通用的成功概率。(developers.openai.com)\n\n模型的变化和生成结果的变动，使可复现性变得复杂。OpenAI 的文档指出，不同模型快照和模型系列的行为会发生变化，重复输入也可能得到不同输出。(developers.openai.com) 因此，要进行可复现的比较，就需要记录模型版本和日期、完整的指令及对话上下文、可用工具、对外开放的采样设置，以及尝试次数。OpenAI 关于使用随机种子生成内容的文档指出，即使请求采用相同的随机种子和参数，可复现性也只是尽力实现，而非得到保证；基础设施和配置的变化同样可能影响结果。因此，一次成功或失败的对话，只是在特定条件下的一次观察，并不代表产品的永久特性。(cookbook.openai.com)\n\n工具会改变可获得的证据，但不会消除评估的必要性。搜索可以检索最新来源，代码执行可以提供计算结果，但生成的解释仍须与这些底层记录区分开来。(help.openai.com) 关于 ChatGPT 来源引用的研究记录了一些案例：被引用的参考资料确实存在，却并不支持归于该资料的说法；来源是否存在与其是否提供证据支持，是两项不同的核查。(arxiv.org) 因此，对工具辅助任务的评估不仅要检查最终文字，还要检查中间环节：工具的选择、工具输入的正确性、返回结果，以及回答是否忠实呈现了该结果。OpenAI 的评估框架将这些环节视为工作流程中可以分别测试的组成部分。(developers.openai.com)"
    },
    {
      "heading": "安全、防护与滥用预防",
      "text": "ChatGPT 的行为安全措施结合了模型训练与产品层面的控制；开发者制定的规则规定了预期行为，但并不保证每一次回答都符合这些规则。在 2022 年 11 月 30 日发布时，OpenAI 介绍了基于人类反馈的强化学习，以及用于对某些不安全内容发出警告或加以拦截的外部审核系统。该公司也承认，ChatGPT 有时会遵从有害指令，而审核系统既会误判，也会漏判。因此，拒绝机制存在两种不同的失效情形：提供被禁止的协助，以及拒绝正当请求。(openai.com) 2025 年 8 月 7 日，OpenAI 介绍了针对 GPT-5 的“安全补全”训练：惩罚不安全的输出，同时奖励在安全约束范围内提供有用回答的行为。这种方法并不要求模型只能在完全照办与彻底拒绝之间二选一，而是允许模型隐去危险细节，同时提供概括性说明或安全的替代方案，尤其适用于兼具正当与有害用途的问题。(openai.com)\n\n越狱试图绕过模型的行为约束，常见手段是使用对抗性用户提示。Yi Liu 及其同事的一项研究于 2023 年 5 月首次提交，并于 2024 年 3 月修订。该研究使用涵盖八种禁止场景的 3,120 个越狱问题，对 ChatGPT 3.5 和 4.0 版本进行了测试，识别出十种提示模式，并将其归为三类。这些结果反映的是受测版本在所用提示下的表现，而非 ChatGPT 永久不变的特性。(arxiv.org) 相比之下，提示注入可以通过助手在执行正当任务时接触到的第三方材料引入恶意指令，例如通过已连接服务检索到的网页或电子邮件。其安全问题在于，作为证据或任务数据提供的内容，可能被当作支配助手行为的指令。(openai.com)\n\n工具访问能力使风险后果不再局限于生成不当文本。能够读取已连接文档、浏览需登录验证的网站或提交表单的智能体，可能跨越信任边界泄露信息，或执行未经用户授权的操作。OpenAI 于 2025 年 7 月 17 日发布的《ChatGPT 智能体系统卡》介绍了多层防护措施：专门训练、自动化监测与过滤、在购买或发送电子邮件等具有实质影响的操作前要求确认，以及限制终端的网络请求。在发布时，智能体的记忆功能处于禁用状态，以降低遭受信息外泄攻击的风险。其“监看模式”（Watch Mode）还会在用户停止监督涉及敏感信息的可视化浏览器会话时暂停执行，例如涉及电子邮件或银行账户的会话。这些是文档记载的发布时配置，并非此后每次部署都不可改变的特性。(cdn.openai.com)\n\n对抗性测试衡量的是特定防护措施在指定条件下的表现。智能体系统卡报告称，在一组合成的文本浏览器挑战测试中，模型在 99.5% 的测试案例里忽略了无关指令或信息外泄企图；但在涉及泄露上下文中已有信息的可视化浏览器测试中，这一比例为 78%，而在攻击要求主动获取敏感信息时则为 67%。OpenAI 明确区分了这些模型行为评估与对完整防护体系的测试。(cdn.openai.com) GPT-5 系统卡同样记载了一项架构层面的缓解措施：访问连接器后，浏览范围被限制为缓存网页，只要上下文中仍保留连接器提供的敏感内容，就禁止后续实时浏览请求。这项措施针对一种潜在的数据外泄渠道，与训练模型忽略恶意指令的做法相互独立。(cdn.openai.com)\n\n红队测试通过刻意寻找失效情形，补充固定测试的不足。针对 GPT-5，OpenAI 报告称，400 多名外部测试人员和专家投入了超过 5,000 小时，工作涵盖部署前研究、API 安全措施以及 ChatGPT 内部的安全措施。另有两个外部团队开展了为期两周的系统级提示注入评估：最初报告的 47 项发现中，有十项被认定为值得关注的问题，促使 OpenAI 在发布前调整了安全防护逻辑和连接器处理方式。系统卡记录了这些测试条件、发现及缓解措施；此类范围有限的评估并不能证明系统能够抵御此前未经测试的攻击。(cdn.openai.com)"
    },
    {
      "heading": "隐私与数据治理",
      "text": "ChatGPT 的数据隐私控制涵盖几类不同的信息。OpenAI 的美国隐私政策区分了账户信息与用户内容：前者包括姓名、登录凭据、出生日期、付款详情和交易记录等，后者则包括提示词、上传的文档、图像、音频、视频，以及从已连接服务中获取的信息。个性化功能又增加了一个层面：已保存的记忆以及从先前对话中提取的信息，可能与原始对话分开存储。因此，删除对话、移除上传的文件和删除已记住的偏好，是三种不能相互替代的操作。截至 2026 年 10 月 15 日可查阅的政策与帮助文档体现了这些区别。(openai.com)\n\n对于面向个人用户的服务，OpenAI 可能会将符合条件的对话内容用作训练数据。用户可通过“数据控制”下的“为所有人改进模型”设置选择退出，也可以通过隐私门户提出退出请求。选择退出后，新对话将不再用于改进模型，但不会因此自动从服务中删除。另有一项例外涉及用户自愿提交的回答反馈：在个人套餐中，即使用户已选择退出，提交点赞或点踩评价仍可能允许 OpenAI 使用相关对话的全部内容。相比之下，ChatGPT Business、Enterprise 和 Edu 的输入与输出默认不用于训练。这些服务的回答反馈机制本身并不构成训练授权；根据 OpenAI 的文档，组织须另行签订协议，才能允许此类用途。(help.openai.com)\n\n数据保留涉及数据是否继续存储，而不只是能否用于训练。根据 2026 年 10 月的文档，普通聊天和已归档聊天会一直保留在账户中，直至被删除，或依照适用的工作区保留政策被移除；归档不会缩短保留期限。删除已保存的聊天后，该聊天会立即从账户界面中消失，并安排在 30 天内永久删除，但此前已去标识化的材料，以及因安全或法律义务而需要保留的内容除外。单独保存在“资料库”中的文件，不会因使用过这些文件的对话被删除而一并删除。临时聊天在保持临时状态期间不会用于改进模型，但 OpenAI 可能出于安全目的保留其副本，最长可达 30 天。保存临时聊天会将其转为普通对话，此后按账户设置处理。(help.openai.com)\n\n记忆管理和数据导出提供了不同形式的控制。已保存的记忆与聊天记录相互独立：删除原始对话不会自动清除已保存的记忆，而删除记忆也不会移除先前对话中对该信息的提及。因此，要移除已被记住的信息，可能需要处理多个来源，包括聊天、资料库文件和已连接的应用。出于安全和调试目的，OpenAI 可能会将已删除记忆的日志保留最多 30 天。相比之下，导出只是提供数据副本，并不会清除记录：符合条件的账户可通过设置或隐私门户，申请获取包含聊天记录和其他账户数据的 ZIP 压缩包。文档规定的交付时间最长为七天，下载链接则会在 24 小时后失效。(help.openai.com)\n\n已连接的服务带来了额外的数据治理边界。启用的应用可以向 ChatGPT 提供信息，也可以接收相关的对话上下文。例如，在生成演示文稿时，Canva 可能会收到对话中讨论过的姓名或宣传语；相关的已保存记忆也可能被用于借助应用处理的请求。传输给应用的信息受该提供商的条款和隐私政策约束。对于在临时聊天中使用的 GPT 操作，OpenAI 明确指出，接收方保留所传输数据的时间，可能超过 ChatGPT 对临时聊天规定的 30 天保留期。(help.openai.com)\n\n组织内的访问权限取决于工作区类型、权限和配置。在 ChatGPT Business 中，加入工作区并不意味着可以自动查看同事的私人聊天记录，使用情况分析或支出控制功能本身也不提供对话记录访问权限。不过，由管理员管理的账户仍受组织控制：在配置和适用法律允许的情况下，获授权的管理员可能能够访问、导出、审计、保留或删除相关内容及活动记录。Enterprise 的合规权限按角色分别授予；管理员不会仅因担任该角色就获得涉及敏感信息的合规访问权限。在个人账户和受管理账户之间切换，不会合并两者的聊天、文件或设置。(help.openai.com)"
    },
    {
      "heading": "机构应对与更广泛的影响",
      "text": "学术机构已对辅助作用、作者资格与责任归属作出区分。国际医学期刊编辑委员会的建议规定，ChatGPT 及其他人工智能工具不具备作者资格，因为它们无法对出版物的准确性、完整性和原创性承担责任。作者必须披露相关的人工智能使用情况，审查生成的材料，并注明其所依据的来源；引用生成文本不能替代引用证据。这些属于出版要求，而非关于学习效果或研究质量的实证结论。在高等教育领域，伦敦大学学院的考核指南将生成式人工智能的使用分为禁止使用、辅助使用和不可或缺的使用三类。这一分类框架是用于沟通的参考，而非一概禁止使用的规定：允许如何使用，取决于具体考核的说明，而批判性地使用人工智能本身也可以成为考核的技能。(icmje.org)\n\n研究表明，借助辅助工具时的表现与学习成效需要分别衡量。Hamsa Bastani 及其同事在 2025 年发表的研究考察了两个基于 GPT-4 的数学学习界面，它们于 2023 年秋季在土耳其一所高中投入使用，并非标准的 ChatGPT 应用。限制相对较少的界面提升了学生做练习时的表现，但这些学生随后在无辅助考试中的成绩比对照组低 17%。经过配置、能够提供教学引导的辅导工具基本消除了这一负面影响，但并未显示出对考试成绩的正面作用。因此，该实验支持将“借助辅助完成练习”与“获得能够独立运用的技能”区分开来；不过，研究仅在一所学校开展，且后续跟踪时间较短，因此难以将其结果推广至不同学科、人群和后续模型。(doi.org)\n\n著作权问题涉及不同对象：训练输入、生成的表达内容、许可授权，以及合同约定的权利归属。美国版权局于 2025 年 5 月发布的关于模型训练的报告预发布版，分析了模型开发过程中的复制行为，以及合理使用原则如何依具体情境适用；这是一份政府机构的政策分析报告，而非认定 ChatGPT 训练合法性的司法判决。许可授权是实现获授权使用的另一条途径：2023 年 7 月 13 日，美联社宣布，OpenAI 将获准使用其部分文字档案。对于输出内容，美国版权局于 2025 年 1 月 29 日发布的报告认为，获得保护需要包含足够的、由人类决定的表达内容，其中可能包括具有创造性的选择、编排或修改，而不能仅凭提示词。OpenAI 的 2024 年 10 月版条款规定，在法律允许的范围内，将其对输出内容享有的权利（如有）转让给用户。这种合同上的权利分配本身，并不能证明某项输出符合著作权保护条件。(copyright.gov)\n\n关于职场生产率的证据，同样取决于任务和实验条件。在 2023 年发表于《科学》的研究中，Shakked Noy 和 Whitney Zhang 随机向部分专业人士提供 ChatGPT 使用权限，让他们完成设有奖励的职业写作任务。平均完成时间缩短了 40%，而经评估的输出质量提高了 18%。这些结果反映的是受控条件下测得的写作表现，并未直接衡量组织成本、人员配置变化，或对整个经济体劳动力市场就业状况的影响。完成速度更快、文档评分更高，与雇主是否扩大产出、重新分配职责或减少劳动力需求，是不同的结果。(doi.org)\n\n对于新闻业和信息获取而言，对话式信息综合在读者与原始出版物之间引入了一层中介。ChatGPT 搜索可以将检索到的材料整合为答案，并附上可点击的引文和来源面板，而不只是展示按顺序排列的网页列表。OpenAI 表示，与出版机构建立合作关系具有几个不同目的：获取训练材料、提供新闻编辑室工具，以及注明来源地呈现当前报道。这些安排彼此之间不应混为一谈，也不应等同于独立核实。其搜索说明文档明确指出，结果和引文可能不完整、过时或有误；读者仍需到原始出版物中查阅上下文和支持证据。(help.openai.com)\n\n这些区分引出了一些尚未解决的研究问题。短期收益能否转化为持久的学习成果，还是反复依赖工具会削弱无辅助情况下的表现？独立评估能否在模型、机构和任务设计不断变化的情况下复现这些效果？工具获取条件、语言支持和机构指导方面的差异，会如何影响参与情况和结果？上述数学研究将长期跟踪和在更广泛场景中部署列为后续研究需求，而伦敦大学学院的考核设计指南则明确指出，当人工智能的使用成为考核任务不可或缺的一部分时，需要考虑获取机会与公平性。两者都未确定这些影响最终会朝哪个方向发展。(doi.org)"
    }
  ],
  "links": [
    "artificial-intelligence",
    "large-language-model",
    "generative-artificial-intelligence",
    "ai-hallucination",
    "generative-pre-trained-transformer",
    "transformer-architecture",
    "application-programming-interface",
    "reinforcement-learning-from-human-feedback",
    "multimodal-learning",
    "ai-agent",
    "gpt-5",
    "tokenization",
    "self-attention",
    "self-supervised-learning",
    "supervised-learning",
    "neural-network-inference",
    "in-context-learning",
    "training-data",
    "context-window",
    "consciousness",
    "translation",
    "software-documentation",
    "speech-recognition",
    "information-retrieval",
    "data-science",
    "statistics",
    "web-browser",
    "data-governance",
    "fine-tuning",
    "language-model",
    "higher-education",
    "multilingualism",
    "test-set",
    "reproducibility",
    "prompt-injection",
    "data-privacy",
    "copyright",
    "productivity",
    "labor-market",
    "journalism"
  ],
  "sources": [
    {
      "title": "Key concepts",
      "url": "https://developers.openai.com/api/docs/concepts"
    },
    {
      "title": "ChatGPT fundamentals",
      "url": "https://academy.openai.com/public/clubs/work-users-ynjqu/resources/chatgpt-basics"
    },
    {
      "title": "Introducing deep research",
      "url": "https://cdn.openai.com/API/docs/deep_research_blog.pdf"
    },
    {
      "title": "Improving Language Understanding by Generative Pre-Training",
      "url": "https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf?file=language_understanding_paper.pdf"
    },
    {
      "title": "How to work with large language models",
      "url": "https://cookbook.openai.com/articles/how_to_work_with_large_language_models?source=post_page-----1e2bea1c9bcd---------------------------------------"
    },
    {
      "title": "GPT-4 Technical Report",
      "url": "https://cdn.openai.com/papers/gpt-4.pdf?hl=en-US"
    },
    {
      "title": "Prompt engineering",
      "url": "https://developers.openai.com/api/docs/guides/prompt-engineering"
    },
    {
      "title": "Optimizing LLM Accuracy",
      "url": "https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy"
    },
    {
      "title": "Model optimization",
      "url": "https://developers.openai.com/api/docs/guides/model-optimization"
    },
    {
      "title": "How People Use ChatGPT",
      "url": "https://cdn.openai.com/pdf/a253471f-8260-40c6-a2cc-aa93fe9f142e/economic-research-chatgpt-usage-paper.pdf"
    },
    {
      "title": "How Students (Really) Use ChatGPT: Uncovering Experiences Among Undergraduate Students",
      "url": "https://arxiv.org/abs/2505.24126v1"
    },
    {
      "title": "An Empirical Study to Understand How Students Use ChatGPT for Writing Essays",
      "url": "https://arxiv.org/abs/2501.10551v1"
    },
    {
      "title": "GPT-5 System Card",
      "url": "https://cdn.openai.com/gpt-5-system-card.pdf"
    },
    {
      "title": "Evaluation best practices",
      "url": "https://developers.openai.com/api/docs/guides/evaluation-best-practices"
    },
    {
      "title": "How to make your completions outputs consistent with the new seed parameter",
      "url": "https://cookbook.openai.com/examples/reproducible_outputs_with_the_seed_parameter?trk=public_post_comment-text"
    },
    {
      "title": "ChatGPT Hallucinates when Attributing Answers",
      "url": "https://arxiv.org/abs/2309.09401"
    },
    {
      "title": "Jailbreaking ChatGPT via Prompt Engineering: An Empirical Study",
      "url": "https://arxiv.org/abs/2305.13860"
    },
    {
      "title": "ChatGPT Agent System Card",
      "url": "https://cdn.openai.com/pdf/839e66fc-602c-48bf-81d3-b21eacc3459d/chatgpt_agent_system_card.pdf"
    },
    {
      "title": "ICMJE: Use of AI by Authors",
      "url": "https://icmje.org/recommendations/browse/artificial-intelligence/ai-use-by-authors.html"
    },
    {
      "title": "Generative AI Without Guardrails Can Harm Learning: Evidence from High School Mathematics",
      "url": "https://hamsabastani.github.io/education_llm.pdf"
    },
    {
      "title": "Copyright and Artificial Intelligence, Part 3: Generative AI Training Pre-Publication Version",
      "url": "https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf?stream=top"
    },
    {
      "title": "AP, Open AI agree to share select news content and technology in new collaboration",
      "url": "https://www.ap.org/media-center/press-releases/2023/ap-open-ai-agree-to-share-select-news-content-and-technology-in-new-collaboration/"
    },
    {
      "title": "Copyright Office Releases Part 2 of Artificial Intelligence Report",
      "url": "https://www.copyright.gov/newsnet/2025/1060.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}