ChatGPT 語音模式其實是較弱的模型

AI News · 2026-04-10

原文連結： ChatGPT voice mode is a weaker model

摘要

• ChatGPT 的語音模式其實不是最強模型，而是較舊、較弱的 GPT-4o 世代系統
• 這也解釋了，為什麼同樣是 OpenAI 產品，語音和文字模式的能力體感會差很多
• Simon Willison 認為，很多人會自然以為「能對話的介面」就該接上最聰明的模型，但現實不是這樣
• 他把這個落差連到 AI 產品設計上的「入口分化」問題，也就是不同介面背後可能是完全不同層級的能力
• 相較之下，像 Codex 這類有明確回饋訊號、可驗證結果的領域，進步會更快
• 這篇短文提醒，別只看產品外觀，要看背後到底接的是哪個模型

· · ·

2026 年 4 月 10 日

很多人直覺會以為，ChatGPT 的語音模式既然最像在跟 AI 對話，那背後應該就是最強的模型。Simon Willison 指出，事情其實不是這樣。OpenAI 的語音模式跑的，是一個更老、也更弱的模型；如果去問它知識截止日期，它會回答 2024 年 4 月，這代表它其實還停留在 GPT-4o 時代。

他也提到，這種落差很容易被使用者忽略，因為語音介面給人的感覺就是「最即時、最自然、最像智能本體」。但 OpenAI 的實際產品分層，卻可能是語音一套、編碼一套、推理一套。語音模式會在一些最簡單的問題上翻車；相對地，較高階的 Codex 模型卻能連續運作一個小時，重構整個 codebase，甚至找出並利用系統漏洞。

Simon 認為，這種進步之所以能發生，是因為這些任務有兩個條件：第一，回饋函數明確而可驗證，像是單元測試有沒有通過；第二，這些能力在企業市場裡非常值錢，因此團隊會投入大量資源去優化它們。相對來說，像寫作這種很難被自動判定好壞的領域，就沒那麼容易靠同一套方法快速推進。

介面看起來越聰明，不代表模型真的越聰明

這篇最有意思的地方，是它把一個很常見的錯覺說破了：人們會把「最順手的入口」誤認成「最強的能力」。語音模式因為更自然、更像人，所以更容易被當成主模型，但產品實際上常常是多個模型分工，能力也不是同一條線。

對做 AI 產品的人來說，這提醒很直接。不要只包裝一個漂亮入口，還要想清楚不同入口到底要接哪個模型、該承擔什麼錯誤成本，以及使用者會不會把弱模型的失誤誤判成整個產品的問題。這種分層如果沒講清楚，期待值很容易直接炸掉。