--- title: "GPT (OpenAI) (BG)" source: "https://systems-analysis.info/int/GPT_(OpenAI)_(BG)" wiki: "systems-analysis.info/int" article: "GPT_(OpenAI)_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:OpenAI" revision_id: 2463 wiki_created_at: 2026-09-06T23:04:29Z wiki_modified_at: 2026-09-06T23:04:29Z downloaded_at: 2026-09-07T22:51:27Z --- # GPT (OpenAI) (BG) **GPT** (*Generative Pre-trained Transformer*) — това е семейство от големи езикови модели (LLM), разработено от компанията OpenAI. Моделите GPT се изграждат върху архитектурата на трансформери и реализират парадигмата на генеративно предобучение: на първия етап моделът се обучава върху обширни корпуси от текстове без явна анотация, а след това може да бъде дообучаван за конкретни задачи. За по-късните поколения (считано от GPT‑5) OpenAI използва и формулировката **единна система** (unified system), тъй като продуктът обединява бърз режим на отговор, режим на задълбочено разсъждение (reasoning) и маршрутизатор[\[1\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt5-announce-1). ## Наименование Акронимът **GPT** се разшифрова като **Generative Pre-trained Transformer (Генеративен Предварително обучен Трансформер)**. - **Генеративен** (Generative): означава, че моделът е способен да създава (генерира) ново съдържание, например текст. - **Предварително обучен** (Pre-trained)**:** указва, че моделът преминава през обширен начален етап на обучение върху голям масив от данни (например текстове от интернет). След предварителното обучение моделът може да бъде допълнително „дообучен" (fine-tuned) за изпълнение на по-специфични задачи. - **Трансформер** (Transformer)**:** това е наименованието на конкретна архитектура на невронна мрежа, която представлява ключовата иновация, лежаща в основата на GPT и много други съвременни AI модели. Основната особеност на GPT се състои в това, че обучението протича в авторегресивна форма — моделът предсказва следващия token на базата на предходния контекст. Тоест моделът се обучава да максимизира вероятността за следващия token, знаейки последователността от предходните token-и. По време на обучението се минимизира грешката на предсказване на следващия елемент, което позволява формирането на текстове с висока кохерентност и свързаност. ## Процес на генериране на текст в GPT Моделът GPT генерира текст последователно, token по token, по следната итеративна схема: - Приема като вход начална текстова последователност (prompt, seed text). - Изчислява вероятностно разпределение по всички token-и от речника за следващия елемент на текста. - Избира следващия token: - или по най-висока вероятност (алчен избор), - или чрез метода на стохастично семплиране (*sampling*), - или с използване на специални филтриращи стратегии (*top-k*, *top-p*). - Добавя избрания token към текущата последователност. - Актуализираната последователност отново се подава на входа на модела за предсказване на следващия token. ## Архитектура на трансформера: обработка на текст Процесът на обработка на данни вътре в ***трансформера*** за предсказване на следващия token включва няколко основни етапа: - **Токенизация (Tokenization).** Входният текст се разбива на token-и — малки единици текст, които могат да бъдат думи, части от думи или препинателни знаци. В модела GPT-3, например, речникът включва около 50 257 token-а. - **Embedding на token-и (Embeddings).** Всеки token се преобразува в вектор с фиксирана дължина с помощта на матрица на embedding-и (W_E). Векторите кодират значението на token-ите: семантично близките token-и се намират близо един до друг в многомерното пространство. В модела GPT-3 размерността на embedding-ите е 12 288. - **Обработка в слоевете на трансформера.** - **Блокове на внимание (Attention Blocks):** Всеки token взаимодейства с останалите token-и от последователността. Механизмът на внимание позволява да се отчита контекстът и да се интерпретира правилно значението на думите. - **Напълно свързани слоеве (Feed-Forward Layers):** След вниманието всеки token се обработва отделно чрез двуслойна невронна мрежа с нелинейна активация. - **Обратно преобразуване и Softmax.** След всички слоеве обработеният вектор се преобразува обратно в пространството на token-ите с помощта на матрица (W_U), която често е транспонирана версия на W_E. Полученият вектор от logit-и се нормализира с помощта на функцията Softmax за получаване на вероятностно разпределение по всички token-и. - **Избор на следващия token (Sampling).** Следващият token се избира въз основа на разпределението на вероятностите. Параметърът температура (temperature) управлява случайността на избора: при температура 0 се избира най-вероятният token, при по-високи температури се увеличава вероятността за избор на по-малко вероятни варианти, което допринася за по-голямо разнообразие на текста. ## Модели GPT - **GPT-1 (2018):** първият модел от семейството; 12-слоен decoder-only transformer; обучение в два етапа (предобучение + дообучение на NLP задачи). - **GPT-2 (2019):** 1,5 млрд параметъра; обучение върху корпуса WebText; за пръв път способен да генерира дълги свързани текстове; повишаване качеството на zero-shot генерацията. Обявен на 14 февруари 2019 г., пълната версия (1,5 млрд) публикувана на 5 ноември 2019 г. от съображения за сигурност. - **GPT-3 (2020):** 175 млрд параметъра; мащабно обучение върху съвкупност от Common Crawl, Books, Wikipedia; значително развитие на few-shot и zero-shot способностите. - **GPT-3.5 (2022):** междинна версия между GPT-3 и GPT-4; подобрено следване на инструкции благодарение на обучение с обратна връзка от човека (RLHF) във версиите text-davinci-003 и gpt-3.5-turbo; контекстен прозорец до 4 096 token-а в ранните версии и до 16 385 token-а в по-късните (gpt-3.5-turbo-16k и актуализираното gpt-3.5-turbo). - **GPT-4 (2023):** мултимодален модел с текстов и графичен вход (поддръжката на изображения беше внедрена по-късно, след текстовото стартиране); контекстен прозорец 8 192 token-а в базовата версия и 32 768 token-а във варианта GPT-4-32k; значително повишаване на точността, стабилността и логиката на разсъжденията. - **GPT-4 Turbo (2023):** оптимизирана версия на GPT-4; увеличен контекстен прозорец до 128 000 token-а; по-ниски закъснения и разходи за работа. - **GPT-4o (2024):** мултимодален модел отново поколение (текст, изображение, аудио) с единна невронна мрежова архитектура; много висока скорост и точност на отговорите; контекстен прозорец 128 000 token-а. - **GPT-4.5 (2025):** изследователски преглед (research preview); в system card OpenAI посочва, че моделът „builds on GPT-4o\\[\[2\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-2)[\[3\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt45-systemcard-3); подобрено разбиране на потребителски заявки, намаляване на броя грешки; контекстен прозорец 128 000 token-а. В API моделът `gpt-4.5-preview` беше обявен за deprecated на 14 април 2025 г. и изключен на 14 юли 2025 г.[\[4\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-deprecations-4). - **GPT-4.1 (2025):** подобрена версия на семейството GPT-4 с контекстен прозорец до 1 млн token-а; приема текст и изображения на входа, извежда текст[\[5\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-5). Пусната едновременно в три варианта: GPT-4.1, GPT-4.1 mini, GPT-4.1 nano. - **GPT-5 (2025):** единна система с режими на бърз отговор и задълбочено разсъждение; контекстен прозорец около 400 000 token-а; забележимо намаляване на халюцинациите при фактологични задачи. - **GPT-5.1 (2025):** адаптивно reasoning, подобрения в coding и long-context retention. - **GPT-5.2 (2025):** акцент върху професионалната работа; режим Pro за frontier задачи; на базата на GPT-5.2 е пусната агентният GPT-5.2-Codex. - **GPT-5.3-Codex (2026):** агентен coding модел, обединяващ coding способности и reasoning; с 25 % по-бърз от предшествениците. - **GPT-5.3 Instant (2026):** актуализация на най-използвания разговорен модел ChatGPT; пусната на 3 март 2026 г. Подобрени фактическа точност, качество на уеб търсенето, плавност на диалога и намален брой излишни откази и прекомерни уговорки. В API е достъпна като `gpt-5.3-chat-latest`[\[6\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt53-instant-6). - **GPT-5.4 (2026):** frontier модел на OpenAI за професионална работа, представен на 5 март 2026 г.; първият general-purpose модел на OpenAI с native computer-use capabilities. В API `gpt-5.4` е препоръчан като модел по подразбиране за широк спектър от general-purpose и coding задачи[\[7\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt54-announce-7)[\[8\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt54-api-8). ## GPT-1 Първият модел, **GPT-1**, беше представен от компанията OpenAI през 2018 г. в работата \\*Improving Language Understanding by Generative Pre-Training\\*. Моделът представляваше 12-слоен decoder-only transformer[\[9\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-radford2018-9) и се изграждаше на базата на архитектурата на трансформери. Обучението на GPT-1 протичаше в два етапа: етап на неконтролирано генеративно предварително обучение (*pre-training*), последван от етап на контролирано финно настройване (*fine-tuning*). На стадия на предварителното обучение моделът се обучаваше върху корпуса BookCorpus, включващ над 7 000 непубликувани книги от различни жанрове. Особеността на този корпус беше наличието на дълги непрекъснати откъси от текст, което беше критично важно за формирането у модела на способност да обработва сложни и протяжни текстови зависимости. На етапа на дообучението моделът се адаптираше към решаването на специализирани задачи по обработка на естествен език, включително: - Отговори на въпроси (Question Answering, QA) — формиране на коректен отговор въз основа на зададен текстов контекст; - Разпознаване на текстова импликация (Natural Language Inference, NLI) — определяне на логическата взаимовръзка между два текста: импликация, противоречие или неутралност; - Оценка на семантичното сходство (Semantic Textual Similarity) — измерване на степента на смисловата близост между две текстови последователности. Благодарение на този подход GPT-1 демонстрира значително превъзходство над предишните модели при редица стандартни benchmark-и за задачи по разбиране на текст. Разработването на GPT-1 демонстрира редица ключови постижения и открития в областта на обработката на естествен език (NLP): - **Ефективност на генеративното предварително обучение.** Беше емпирично потвърдено, че предварителното обучение върху големи корпуси от неанотиран текст позволява на модела да придобие универсални езикови представи, приложими за последващо използване в различни приложни задачи без необходимост от фундаментални архитектурни промени. - **Универсалност на архитектурата на трансформерите.** Използването на многослоен декодерен трансформер позволи на модела успешно да обработва дългосрочни зависимости в текста, което преди беше затруднено за моделите, основани на рекурентни невронни мрежи. - **Намаляване на зависимостта от анотирани данни.** Работата потвърди, че мащабното предварително обучение върху неанотирани данни може значително да намали обема от анотирани данни, необходими за постигане на високо качество при целевите задачи. - **Основа за последващото развитие.** Резултатите от GPT-1 положиха концептуалните и техническите основи за следващите версии на моделите от семейството GPT (GPT-2, GPT-3 и по-нататък). ## GPT-2 Моделът GPT-2 беше обявен от компанията OpenAI на 14 февруари 2019 г. Той значително превъзхождаше своя предшественик по размер: пълната версия на модела съдържаше около 1,5 милиарда параметъра. От съображения за сигурност OpenAI първоначално публикува само намалени варианти на модела; пълната версия (1,5 млрд параметъра) беше пусната на 5 ноември 2019 г. За разлика от GPT-1, обучен върху корпуса BookCorpus (~5 ГБ), GPT-2 беше обучен върху специално събрания корпус WebText с обем около 40 ГБ, включващ текстови данни от интернет източници с висока степен на качество. Увеличаването както на размера на модела, така и на обема от обучаващи данни позволи на GPT-2 значително да повиши качеството на генерирания текст: той демонстрираше способност да създава съдържателни статии, разкази и дори свързани фрагменти от художествена проза. В GPT-2 се прилагаше архитектурата на авторегресивен трансформер-декодер, аналогична на GPT-1, без съществени промени. Моделът се състоеше от 48 слоя на самовнимание, имаше размер на скритото състояние 1600 и включваше около 1,5 милиарда параметъра. Броят на главите на вниманието беше 25 (при запазване на размера 64 на глава, наследен от GPT-1: 1600 ÷ 64 = 25). Обучението се осъществяваше върху задачата за предсказване на следващия token въз основа на предходния контекст с прилагане на маскиран механизъм на внимание. Едно от главните отличия на GPT-2 беше, че моделът за пръв път демонстрира висока ефективност в режим zero-shot learning — способността да решава нови задачи, без да преминава явно дообучение върху примери за тези задачи. Моделът се обучаваше върху голям корпус от обобщени текстове и не преминаваше специализирано обучение върху данни за конкретни задачи. Оценката се провеждаше в режим **zero-shot**, при който моделът изпълняваше задачите единствено въз основа на знанията, придобити по време на предварителното обучение. При редица задачи по езиково моделиране GPT-2 постигаше качество, съпоставимо или превъзхождащо резултатите на модели, специално обучени върху специализирани набори от данни (например Wikipedia, новинарски текстове, книги). ## GPT-3 Моделът **GPT-3** беше представен от компанията OpenAI през юни 2020 г. (статията в arXiv се появи на 28 май 2020 г., бета достъпът до API беше открит на 11 юни 2020 г.). Той стана следваща стъпка в развитието на генеративните трансформери след GPT-2 и се отличаваше с мащабиране на архитектурата до 175 милиарда параметъра, което го правеше по онова време най-големия езиков модел. Архитектурата на GPT-3 остана в основата си предишната — многослоен авторегресивен трансформер-декодер без кардинални промени. Основните подобрения в производителността бяха постигнати чрез увеличаване на броя на слоевете, ширината на скритите слоеве и мащабите на обучението. Моделът се обучаваше върху обединение от няколко големи корпуса от текстове, включително Common Crawl, WebText2, Books1, Books2 и Wikipedia. Общият обем на данните беше от порядъка на 570 ГБ и повече (570 ГБ се пада на филтрираната част на Common Crawl, доминираща в обучаващата смес). Една от главните особености на GPT-3 беше способността му към **few-shot learning** и **zero-shot learning**: моделът можеше да изпълнява широк спектър от задачи по обработка на естествен език, включително превод, обобщаване, отговори на въпроси, писане на есета и дори програмиране, основавайки се само на няколко примера в текстовата заявка или изобщо без примери. ## GPT-3.5 Моделът **GPT-3.5** беше представен от компанията OpenAI в края на 2022 г. в рамките на еволюционното развитие на семейството GPT. Той се изграждаше на базата на архитектурата на мащабирания авторегресивен трансформер-декодер, използван в GPT-3, с подобрения в качеството на генерирания текст, обработката на контекста и способността да следва сложни инструкции. Точният брой параметри на GPT-3.5 официално не беше разкрит; предположително davinci версиите са съпоставими по размер с GPT-3 (175 млрд), но точните параметри на версията gpt-3.5-turbo не са известни. Обучението на GPT-3.5 включваше разширено използване на методите на обучение с подкрепление въз основа на обратна връзка от човека (Reinforcement Learning from Human Feedback, RLHF) във версиите text-davinci-003 и gpt-3.5-turbo. При това по-ранната версия text-davinci-002 се обучаваше с използване на supervised fine-tuning (SFT), а не RLHF. Моделът се обучаваше върху разширени корпуси от текстове, включващи Common Crawl, Books, WebText и други висококачествени източници. Контекстният прозорец в ранните популярни версии (gpt-3.5-turbo) беше 4 096 token-а; впоследствие OpenAI пусна актуализирани версии с контекст до 16 385 token-а[\[10\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-10). На практика GPT-3.5 беше адаптиран за решаването на широк кръг от задачи по обработка на естествен език, като: - Генериране на свързан и логичен текст; - Отговори на въпроси (QA) и разбиране на контекста; - Следване на многостепенни инструкции; - Подобрено поддържане на дългосрочен контекст в диалозите. На базата на GPT-3.5 бяха пуснати няколко ключови версии, предназначени за различни цели: - **text-davinci-002** — първият общодостъпен модел, основан на GPT-3.5, оптимизиран за генериране и следване на инструкции (обучен с помощта на SFT). - **text-davinci-003** — подобрена версия с още по-голяма способност за разсъждение и генериране на сложни текстове (обучена с прилагане на RLHF). - **gpt-3.5-turbo** — най-производителната и икономична версия на GPT-3.5, използвана в услугата ChatGPT от края на 2022 г. ## GPT-4 Моделът **GPT-4** беше представен от компанията OpenAI на 14 март 2023 г. в работата *"GPT-4 Technical Report\\*. Той стана следващ етап в развитието на семейството езикови модели, предлагайки значителни подобрения в областта на разбирането на текст, генерирането на смислени и творчески отговори, както и обработката на мултимодални данни. Точният брой параметри и архитектурните детайли на модела официално не бяха разкрити — техническият доклад на GPT-4 изрично посочва, че информацията за архитектурата, размера на модела, хардуерното осигуряване, изчислителните разходи за обучение и изграждането на dataset-ите не се публикува[\[11\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-11). Според неофициални външни оценки GPT-4 може да използва подход Mixture of Experts (MoE) и да има общ мащаб от порядъка на ~1,8 трилиона параметъра, но OpenAI официално не е потвърждавала нито отричала тези цифри[\[12\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-12). GPT-4 е мултимодален модел, способен да приема на вход както текст, така и изображения. Следва да се отбележи, че по времето на първоначалното стартиране през март 2023 г. беше достъпна само текстовата модалност; поддръжката на входни изображения беше внедрена по-късно. Контекстният прозорец беше 8 192 token-а в базовата версия и 32 768 token-а във варианта GPT-4-32k. Моделът използваше методите RLHF (обучение с подкрепление въз основа на обратна връзка от човека). Обучението на GPT-4 се осъществяваше върху обединение от мащабни текстови и мултимодални корпуси. Конкретните детайли за обучаващите данни, хардуерното осигуряване и методологията не се разкриват в официалните публикации на OpenAI. Обучението протичаше в няколко етапа: - мащабно неконтролирано предварително обучение върху текстове и изображения, - контролирано финно настройване (supervised fine-tuning) върху специализирани задачи, - финален етап на обучение с подкрепление въз основа на обратна връзка от човека (RLHF) за повишаване на надеждността, сигурността и качеството на интерпретацията на инструкциите. На базата на GPT-4 бяха пуснати няколко основни версии: - **GPT-4 (март 2023):** базова версия с поддръжка на текстов вход (поддръжката на изображения беше добавена по-късно); контекстен прозорец 8 192 token-а; пуснат е и вариантът GPT-4-32k с контекст 32 768 token-а. - **GPT-4 Turbo (ноември 2023):** оптимизирана модификация на GPT-4 с увеличен контекстен прозорец до 128 000 token-а[\[13\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-13); намалени изчислителни разходи и ускорена генерация; поддръжка на режими за извикване на функции (function calling) и JSON извод. - **GPT-4o (май 2024):** мултимодална версия от ново поколение; в launch анонса беше позиционирана като omni модел, способен да работи с текст, изображения и аудио в реално време (за разлика от GPT-4 Turbo, където различните модалности се обслужваха от отделни модули); при това базовият API модел `gpt-4o` е описан като text+image input, text output; контекстен прозорец 128 000 token-а. - **GPT-4.5 (февруари 2025):** изследователски преглед (research preview); в system card OpenAI изрично посочва, че моделът „builds on GPT-4o\\[\[3\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt45-systemcard-3); подобрена генерация на сложни текстове, повишена точност при изпълнение на инструкции и намалено ниво на халюцинации; контекстен прозорец 128 000 token-а. Описваше се като „последният модел на OpenAI без chain-of-thought\\ (кодово наименование — *Orion*)[\[14\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-14). В API моделът `gpt-4.5-preview` беше обявен за deprecated на 14 април 2025 г. и изключен на 14 юли 2025 г.[\[4\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-deprecations-4). - **GPT-4.1 (април 2025):** стабилна версия с кардинално разширяване на контекста до 1 047 576 token-а; приема текст и изображения на вход, извежда текст[\[15\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-15); пусната едновременно в три варианта (GPT-4.1, GPT-4.1 mini, GPT-4.1 nano); първоначално достъпна само чрез API, по-късно внедрена в ChatGPT. ## GPT-5 **На 7 август 2025 г.** OpenAI представи GPT‑5 като своя по онова време „най-умен, бърз и полезен\\ модел, с вграден режим на задълбочени разсъждения (*thinking*) и фокус върху практически сценарии — писане, програмиране, работа в областта на здравеопазването и мултимодално разбиране. GPT‑5 постепенно се превърна в модел по подразбиране за повечето авторизирани потребители на ChatGPT, измествайки по-рано използваните модели от семействата GPT‑4/4o и серията o‑.[\[16\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-16) GPT‑5 е реализиран като **единна система** с два основни режима на работа: бързи, икономични отговори за ежедневни заявки (условно **gpt‑5 main**) и задълбочено разсъждение за сложни задачи (условно **gpt‑5 thinking**). Изборът на режим се извършва автоматично с помощта на маршрутизатор, който отчита типа диалог, сложността на заявката, необходимостта от инструменти и явни подсказки от потребителя (например „think step by step\\ или „analyze in depth\\). В ChatGPT потребителят разполага с режими Auto / Instant / Thinking / Pro; вариантите **mini** и **nano** са предимно API модели, а mini в потребителския продукт може да се използва като fallback след изчерпване на лимита[\[17\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-chatgpt-53-54-17). Чрез програмния интерфейс се предоставят няколко размера и конфигурации на GPT‑5; в документацията на OpenAI като основни варианти са посочени **`gpt‑5`**, **`gpt‑5‑mini`** и **`gpt‑5‑nano`** (всички поддържат текст и визуални данни). Максималният общ контекстен прозорец за семейството GPT‑5 в API е от порядъка на **400 000 token-а** (с разделяне на бюджетите за вход и разсъждение/извод), като конкретните лимити могат да се различават в зависимост от избрания вариант на модела и продукта[\[18\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-18). По редица уеб търсещи и фактологични benchmark-и GPT‑5 демонстрира забележимо намаляване на честотата на халюцинациите и грешките в сравнение с моделите GPT‑4o и по-ранните „thinking\\ модели на OpenAI. В официалния анонс OpenAI посочваше оценки за намаляване на грешките с приблизително 45 % в сравнение с GPT-4o и с приблизително 80 % в сравнение с o3 в thinking режим — тези резултати бяха получени при специфични условия: с включено уеб търсене върху анонимизирани prompt-и, представителни за производствения трафик на ChatGPT[\[19\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-19). ## GPT-5.1 Моделът **GPT-5.1** беше представен от компанията OpenAI на 12 ноември 2025 г. като първата значителна итерация след базовия GPT-5, ориентирана към подобряване на ежедневното взаимодействие, разговорността и адаптивността. Моделът запазва единната система с бърз режим (**GPT-5.1 Instant**) и задълбочено разсъждение (**GPT-5.1 Thinking**), но въвежда **адаптивно мислене** (adaptive reasoning): моделът динамично определя обема на изчисленията в зависимост от сложността на заявката, което го прави забележимо по-бърз при прости задачи без загуба на качество при сложни. Обучението на GPT-5.1 се изграждаше на базата на GPT-5 с допълнителен етап на пост-обучение, включващ разширен RLHF, фокус върху естествеността на тона и намаляване на „студенината\\ на отговорите. Контекстният прозорец в API е 400 000 token-а, максималният извод — 128 000 token-а[\[20\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt51-api-20). Появи се поддръжка на разширено кеширане на prompt-и до 24 часа, което съществено намалява разходите и закъсненията при многостепенни диалози[\[21\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt51-announce-21). Ключови особености: - **GPT-5.1 Instant** — основен режим за ежедневни задачи; за пръв път използва adaptive reasoning, за да определя кога е уместно да „помисли\\ преди отговор на по-сложна заявка[\[21\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt51-announce-21). - **GPT-5.1 Thinking** — адаптивно отделяне на време за разсъждения; според данните на OpenAI, при представително разпределение на задачите в ChatGPT моделът е приблизително два пъти по-бърз при най-простите задачи и приблизително два пъти по-бавен при най-трудните в сравнение с GPT-5 Thinking[\[21\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt51-announce-21). - Подобрена мултимодалност (текст + vision). - Подобрени coding и agentic сценарии, както и ефективност при прости задачи благодарение на adaptive reasoning и extended prompt caching[\[22\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt51-dev-22). ## GPT-5.2 Моделът **GPT-5.2** беше пуснат на 11 декември 2025 г. като „най-способният модел от серията за професионална работа и обучение\\. Това е еволюция на GPT-5.1 с акцент върху икономическата стойност: генериране на таблици, презентации, сложен код, end-to-end задачи. Запазва единната архитектура с режими **Instant**, **Thinking** и новия **Pro** (за задачи, изискващи максимален compute и време за разсъждения). Обучението включваше актуализиран корпус с knowledge cutoff август 2025 г., засилен instruction-tuning и RLHF за намаляване на грешките в многостепенни сценарии. Контекстът — 400K token-а (128K max output). Моделът стана по-надежден в професионални сценарии, с по-добра фактологична точност и използване на инструменти. На базата на GPT-5.2 на 18 декември 2025 г. беше пуснат специализираният **GPT-5.2-Codex** — агентен coding модел с подобрено компресиране на контекста (context compaction), поддръжка на Windows, засилена киберсигурност и long-horizon reasoning (задачи до няколко часа). Към 13 февруари 2026 г., след извеждането от експлоатация на редица стари модели, GPT-5.2 временно стана модел по подразбиране в ChatGPT. Но още към началото на март 2026 г. тази роля премина към GPT‑5.3 Instant и GPT‑5.4[\[17\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-chatgpt-53-54-17). ## GPT-5.3-Codex **GPT-5.3-Codex** беше представен на 5 февруари 2026 г. като „най-мощният агентен coding модел към днешна дата\\. Това е обединение на frontier coding способностите на GPT-5.2-Codex с професионалното reasoning на GPT-5.2 в един модел, който е с 25 % по-бърз от предшествениците. Моделът е способен да изпълнява практически всякакви задачи на разработчик: long-running workflows, research, tool use, изпълнение на код, interactive steering (потребителят може да се намесва в реално време без загуба на контекст). Ранните версии на модела бяха използвани от екипа на OpenAI за отстраняване на грешки в собственото обучение, deployment и evaluations. Ключови резултати към момента на анонса на 5 февруари 2026 г.: Terminal-Bench ~77,3 %, OSWorld-Verified ~64,7 %, SWE-Bench Pro ~56,8 %. В по-късния релийз GPT-5.4 от 5 март 2026 г. OpenAI посочи актуализиран резултат OSWorld-Verified 74,0 % за GPT-5.3-Codex при използване на нов API параметър, запазващ оригиналната разделителна способност на изображението[\[23\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-23)[\[7\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt54-announce-7). На 12 февруари 2026 г. OpenAI пусна и **GPT-5.3-Codex-Spark** — компактна ultra-fast версия в партньорство с Cerebras, оптимизирана за реално време: над 1000 token-а в секунда, text-only, контекст 128K. При стартирането това беше rollout за потребителите на ChatGPT Pro в Codex и малък брой API design partners, а не широкодостъпен API модел[\[24\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-24). ## GPT-5.4 **На 5 март 2026 г.** OpenAI представи GPT‑5.4 като новия frontier модел за професионална работа. GPT‑5.4 обединява силните страни на последните релийзи на OpenAI в reasoning, coding и agentic workflows и за пръв път за основната линейка получи вградени възможности за computer use. Едновременно OpenAI пусна **GPT‑5.4 Pro** — вариант за най-сложните задачи, използващ повече изчислителни ресурси и по-продължително разсъждение[\[7\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt54-announce-7). В API моделът **`gpt-5.4`** е описан като препоръчителен по подразбиране за широк спектър от general-purpose и coding задачи; контекстният прозорец е 1 050 000 token-а, максималният извод — 128 000 token-а. Моделът приема текст и изображения на вход и извежда текст на изход[\[8\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt54-api-8)[\[25\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-gpt54-model-25). В ChatGPT режимът **Auto** към 7 март 2026 г. автоматично превключва между **GPT‑5.3 Instant** и **GPT‑5.4 Thinking**, докато **GPT‑5.4 Pro** е достъпен като отделен high-capability режим. За влезлите потребители на ChatGPT моделът по подразбиране е GPT‑5.3[\[17\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-chatgpt-53-54-17). ## Развитие на моделите GPT | Поколение | Година на издаване | Брой параметри | Размер на корпуса от текстове | Ключови особености | |---------------------|--------------------|---------------------------------------------------------------------------------------------------|-------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------| | GPT-1 | 2018 | ≈117–124 млн[\[26\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-26) | ≈5 ГБ (BooksCorpus) | Генеративно предобучение върху големи корпуси; двуетапно обучение (pre-training + fine-tuning) | | GPT-2 | 2019 | 1,5 млрд | ≈40 ГБ (WebText) | Съществено подобрена генерация на текст; демонстрация на силно zero-shot поведение; първоначално частично публикуване на модела | | GPT-3 | 2020 | 175 млрд | ≈570 ГБ (Common Crawl, WebText2 и др.) | Мащабно in-context learning; изразени способности за few-shot и zero-shot обучение без дообучване | | GPT-3.5 | 2022 | Не е разкрит (davinci версиите предположително ~175 млрд) | \>570 ГБ + допълнителни корпуси и instruction tuning | Подобрена стабилност и следване на инструкции; основа на ранните версии на ChatGPT | | GPT-4 | 2023 | Не е разкрит[\[27\]](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_note-27) | Не е разкрит | Мултимодалност (текст + изображения); повишена точност и устойчивост на халюцинации; контекст 8k/32k token-а | | GPT-4 Turbo | 2023 | Не е разкрит | Базира се на обучението на GPT-4 (детайлите не са разкрити) | Увеличаване на контекста до 128 000 token-а; оптимизация на скоростта и разходите за генерация | | GPT-4o | 2024 | Не е разкрит | Мултимодални данни (текст, изображения, аудио) | Единна невронна мрежова мултимодална обработка; висока скорост на отклик | | GPT-4.5 | 2025 | Не е разкрит | Разширени текстови и мултимодални корпуси | Research preview на базата на GPT-4o; намаляване на грешките; *deprecated* към 2026 г. | | GPT-4.1 | 2025 | Не е разкрит | Актуализирани корпуси | Контекст до 1 047 576 token-а; текст + изображения на вход, текст на изход | | GPT-5 | 2025 (август) | Не е разкрит | Мащабни мултимодални корпуси | Единна система с режими на бърз отговор и разсъждение; контекст ~400K token-а; намаляване на халюцинациите | | GPT-5.1 | 2025 (ноември) | Не е разкрит | Разширени корпуси на GPT-5 + RLHF | Адаптивно reasoning; 24h prompt caching; подобрения в coding | | GPT-5.2 | 2025 (декември) | Не е разкрит | Knowledge cutoff август 2025 г. | Pro режим; professional knowledge work; GPT-5.2-Codex (агентен coding) | | GPT-5.3-Codex | 2026 (февруари) | Не е разкрит | Актуализирани + self-improvement data | 25 % по-бърз; full-spectrum agent; interactive steering | | GPT-5.3-Codex-Spark | 2026 (февруари) | Не е разкрит | Компактен | \>1000 t/s на Cerebras; real-time coding; 128K контекст | | GPT-5.3 Instant | 2026 (март) | Не е разкрит | Не е разкрит | Актуализация на най-използвания разговорен модел ChatGPT; подобрени factuality, web search и conversational flow | | GPT-5.4 | 2026 (март) | Не е разкрит | Не е разкрит | Нов frontier модел за професионална работа; native computer use; модел по подразбиране в API за general-purpose и повечето coding задачи | | GPT-5.4 Pro | 2026 (март) | Не е разкрит | Не е разкрит | Вариант на GPT-5.4 с по-голям compute за най-сложните задачи | Развитие на моделите GPT ## Архитектурни параметри на моделите GPT | Модел | Година на издаване | Брой параметри | Брой слоеве | Размер на скритото състояние | Брой глави на вниманието | Контекстен прозорец | Размер на обучаващия корпус | |-------------|--------------------|-----------------------------------------------------------|---------------------------|------------------------------|--------------------------|-----------------------------------------------------|---------------------------------------------------------------------| | GPT-1 | 2018 | ≈117–124 млн | 12 | 768 | 12 | 512 token-а | ≈5 ГБ (BooksCorpus) | | GPT-2 | 2019 | 1,5 млрд | 48 | 1 600 | 25 | 1 024 token-а | ≈40 ГБ (WebText) | | GPT-3 | 2020 | 175 млрд | 96 | 12 288 | 96 | 2 048 token-а | ≈570 ГБ (Common Crawl + WebText2 + други) | | GPT-3.5 | 2022 | Не е разкрит (davinci версиите предположително ~175 млрд) | (оценъчно близо до GPT-3) | (оценъчно близо до GPT-3) | (не е разкрит) | До 4 096 token-а (ранни); до 16 385 token-а (късни) | Разширен Common Crawl + допълнителни dataset-и и instruction tuning | | GPT-4 | 2023 | Не е разкрит | (не е разкрит) | (не е разкрит) | (не е разкрит) | 8 192 token-а (базова); 32 768 (GPT-4-32k) | Не е разкрит | | GPT-4 Turbo | 2023 | (не е разкрит) | (не е разкрит) | (не е разкрит) | (не е разкрит) | До 128 000 token-а | Оптимизирана версия на GPT-4 (детайлите за корпуса не са разкрити) | | GPT-4o | 2024 | (не е разкрит) | (не е разкрит) | (не е разкрит) | (не е разкрит) | До 128 000 token-а | Мултимодални данни: текст, изображения, аудио | | GPT-4.5 | 2025 | (не е разкрит) | (не е разкрит) | (не е разкрит) | (не е разкрит) | До 128 000 token-а | Актуализирани текстови и мултимодални корпуси | | GPT-4.1 | 2025 | (не е разкрит) | (не е разкрит) | (не е разкрит) | (не е разкрит) | До 1 047 576 token-а | Мултимодалност; мащабирано обучение с акцент върху дълги контексти | | GPT-5 | 2025 | (не е разкрит) | (не е разкрит) | (не е разкрит) | (не е разкрит) | До ≈400 000 token-а (общ контекст) | Мащабни мултимодални корпуси (детайлите не са разкрити) | | GPT-5.4 | 2026 | (не е разкрит) | (не е разкрит) | (не е разкрит) | (не е разкрит) | 1 050 000 token-а; 128 000 max output | Не е разкрит | Архитектурни параметри на моделите GPT ## Препратки - „Improving language understanding with unsupervised learning\\, OpenAI, 11 юни 2018 г. - „Better language models and their implications\\, OpenAI, 14 февруари 2019 г. - „GPT-2: 6-month follow-up\\, OpenAI, 20 август 2019 г. - „GPT-2: 1.5B release\\, OpenAI, 5 ноември 2019 г. - „Language models are few-shot learners\\, OpenAI, 28 май 2020 г. - „OpenAI API\\, OpenAI, 11 юни 2020 г. - „Introducing ChatGPT\\, OpenAI, 30 ноември 2022 г. - „Function calling and other API updates\\, OpenAI, 13 юни 2023 г. - „GPT-4\\, OpenAI, 14 март 2023 г. - „New models and developer products announced at DevDay\\, OpenAI, 6 ноември 2023 г. - „Hello GPT-4o\\, OpenAI, 13 май 2024 г. - „Introducing GPT-4.1 in the API\\, OpenAI, 14 април 2025 г. - „Introducing GPT-4.5\\, OpenAI, 27 февруари 2025 г. - „Introducing GPT-5\\, OpenAI, 7 август 2025 г. - „GPT-5.1: A smarter, more conversational ChatGPT\\, OpenAI, 12 ноември 2025 г. - „Introducing GPT-5.2\\, OpenAI, 11 декември 2025 г. - „Introducing GPT-5.2-Codex\\, OpenAI, 18 декември 2025 г. - „Introducing GPT-5.3-Codex\\, OpenAI, 5 февруари 2026 г. - „Introducing GPT-5.3-Codex-Spark\\, OpenAI, 12 февруари 2026 г. - „GPT-5.3 Instant: Smoother, more useful everyday conversations\\, OpenAI, 3 март 2026 г. - „Introducing GPT-5.4\\, OpenAI, 5 март 2026 г. - „Using GPT-5.4\\, OpenAI Developers - „Models\\, OpenAI API - „Deprecations\\, OpenAI API - „GPT-5.3 and GPT-5.4 in ChatGPT\\, OpenAI Help Center - „Retiring GPT-4o and other ChatGPT models\\, OpenAI Help Center ## Бележки 1. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt5-announce_1-0) OpenAI. «Introducing GPT-5» (7 августа 2025). https://openai.com/index/introducing-gpt-5/ 2. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-2) OpenAI. «Introducing GPT-4.5» (2025). https://openai.com/index/introducing-gpt-4-5/ 3. ↑ [3.0](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt45-systemcard_3-0) [3.1](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt45-systemcard_3-1) OpenAI. GPT-4.5 System Card (27 февраля 2025). https://cdn.openai.com/gpt-4-5-system-card-2272025.pdf 4. ↑ [4.0](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-deprecations_4-0) [4.1](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-deprecations_4-1) OpenAI Developers. Deprecations. https://developers.openai.com/api/docs/deprecations/ 5. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-5) OpenAI. «Introducing GPT-4.1 in the API» (2025). 6. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt53-instant_6-0) OpenAI. «GPT-5.3 Instant: Smoother, more useful everyday conversations» (3 марта 2026). https://openai.com/index/gpt-5-3-instant/ 7. ↑ [7.0](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt54-announce_7-0) [7.1](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt54-announce_7-1) [7.2](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt54-announce_7-2) OpenAI. «Introducing GPT-5.4» (5 марта 2026). https://openai.com/index/introducing-gpt-5-4/ 8. ↑ [8.0](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt54-api_8-0) [8.1](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt54-api_8-1) OpenAI Developers. «Using GPT-5.4». https://developers.openai.com/api/docs/guides/latest-model/ 9. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-radford2018_9-0) Radford, A. et al. (2018). *Improving Language Understanding by Generative Pre-Training*. https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf 10. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-10) OpenAI отмечала, что обновлённый GPT-3.5 Turbo «now comes by default with 16k context». 11. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-11) OpenAI. «GPT-4 Technical Report» (2023). arXiv:2303.08774. 12. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-12) Эти оценки основаны на данных, опубликованных SemiAnalysis и подтверждённых рядом независимых источников. 13. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-13) Анонсирована на DevDay OpenAI 6 ноября 2023 года; общая доступность — с 9 апреля 2024 года. 14. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-14) Кодовое имя Orion и характеристика «последняя модель без chain-of-thought» фигурировали в roadmap-коммуникации Сэма Альтмана и ряде медиа-публикаций (Reuters, The Verge), но не в самом launch post GPT-4.5. 15. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-15) OpenAI. «Introducing GPT-4.1 in the API» (2025). 16. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-16) OpenAI. «Introducing GPT-5» (7 августа 2025). 17. ↑ [17.0](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-chatgpt-53-54_17-0) [17.1](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-chatgpt-53-54_17-1) [17.2](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-chatgpt-53-54_17-2) OpenAI Help Center. «GPT-5.3 and GPT-5.4 in ChatGPT». https://help.openai.com/en/articles/11909943-gpt-53-and-54-in-chatgpt 18. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-18) OpenAI API documentation. Models: GPT-5. 19. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-19) OpenAI. «Introducing GPT-5» (2025). Условия тестирования: «with web search enabled on anonymized prompts representative of ChatGPT production traffic». 20. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt51-api_20-0) OpenAI Developers. Models: GPT-5.1. https://developers.openai.com/api/docs/models/gpt-5.1 21. ↑ [21.0](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt51-announce_21-0) [21.1](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt51-announce_21-1) [21.2](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt51-announce_21-2) OpenAI. «GPT-5.1: A smarter, more conversational ChatGPT» (12 ноября 2025). https://openai.com/index/gpt-5-1/ 22. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt51-dev_22-0) OpenAI. «GPT-5.1 for developers» (2025). https://openai.com/index/gpt-5-1-for-developers/ 23. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-23) OpenAI. «Introducing GPT-5.3-Codex» (5 февраля 2026). https://openai.com/index/introducing-gpt-5-3-codex/ 24. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-24) OpenAI. «Introducing GPT-5.3-Codex-Spark» (12 февраля 2026). https://openai.com/index/introducing-gpt-5-3-codex-spark/ 25. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-gpt54-model_25-0) OpenAI Developers. Models: GPT-5.4. https://developers.openai.com/api/docs/models/gpt-5.4 26. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-26) Точное число параметров GPT-1 в разных источниках варьируется; исходная публикация не указывает число явно. Цифра ≈117 млн широко цитируется, а ≈124 млн фигурирует в ряде поздних материалов. 27. [↑](https://systems-analysis.info/int/GPT_(OpenAI)_(BG)#cite_ref-27) По неофициальным внешним оценкам (SemiAnalysis и др.), возможно MoE-архитектура с суммарным масштабом ~1,8 трлн параметров; OpenAI эти данные не подтверждала. ## Литература - Radford, A. et al. (2018). *Improving Language Understanding by Generative Pre-Training*. PDF. - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Kaplan, J. et al. (2020). *Scaling Laws for Neural Language Models*. arXiv:2001.08361. - Chen, M. et al. (2021). *Evaluating Large Language Models Trained on Code*. arXiv:2107.03374. - Ouyang, L. et al. (2022). *Training Language Models to Follow Instructions with Human Feedback*. arXiv:2203.02155. - Hoffmann, J. et al. (2022). *Training Compute-Optimal Large Language Models*. arXiv:2203.15556. - Bai, Y. et al. (2022). *Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback*. arXiv:2204.05862. - OpenAI (2023). *GPT-4 Technical Report*. arXiv:2303.08774. - Bubeck, S. et al. (2023). *Sparks of Artificial General Intelligence: Early Experiments with GPT-4*. arXiv:2303.12712.