GPT
GPT（Generative Pre-trained Transformer）是由OpenAI开发的大规模预训练语言模型系列，基于Transformer架构，通过在海量文本数据上进行无监督预训练后经微调使用。该模型系列具备自然语言理解与生成能力，可执行文本续写、问答、摘要、翻译、代码生成等多种任务，是自然语言处理领域的代表性基础模型之一。
核心事实
时间轴 (近 90 天)
基础模型层公司是指研发和训练通用大模型（如GPT、Claude、Gemini等）的企业，位于AI产业链上游，为下游提供API或模型服务。
判断GPT账号是否非区充值的方法是：网页端设置里查看账单交易记录，显示PHP即为非区（菲律宾比索结算）。
刚注册的新GPT账号即使订阅会员，大概率仍要进行手机号验证；注册较久的账号订阅后跳过验证的概率更高。
在GPT设置下，MedGraph的记忆构建和回答效率也较高。
在MedMemoryBench基准上，MedGraph以GPT为骨干取得最高总体准确率，领先最强基线10.5个百分点。
对于本地 PDF 解析工具，如果后续分析调用 Claude 或 GPT 这类云端 API，账单内容仍会以文本形式离开设备。
OpenCode 等第三方工具支持配置不同 API 密钥，在 Claude、GPT、Gemini 之间切换，提供模型无关的编程体验。
GPT系列、Gemini等模型在版本更新后改变语气或格式时，社区中也常出现类似讨论。
Codex教程建议的上手路径为：先确保Codex与GPT环境打通，再逐步配置Skills，最后尝试MCP接入外部服务。
UP主猜测Codex可能在识别并限制外接模型，尤其防范国产模型接入，但未获官方证实；建议用Codex就配GPT。
还有 40 条时间轴事件
全部知识事实 (20)
GPT和BERT等大语言模型基于自监督学习范式
90%已验证GLM采用了独特的自回归填空预训练范式，与GPT的纯自回归和BERT的纯掩码语言模型都有所不同
90%已验证Few-Shot提示的上下文学习（In-Context Learning）能力在GPT-3的论文中被首次系统性描述
90%已验证Transformer架构于2017年由Google Brain团队在论文《Attention Is All You Need》中提出
90%已验证GPT-4、Claude、Gemini等大语言模型的核心工作原理是基于Transformer架构的下一个token预测
90%已验证OpenAI通过ChatGPT的插件系统和GPT Store构建AI Agent工具生态
90%已验证GPT-4 and Claude are large language models that can understand context, generate structured outputs, and execute multi-step reasoning
85%已验证Azure OpenAI Service为企业客户提供了在合规环境中调用GPT-4、DALL-E、Whisper等模型的能力
85%已验证WorkBuddy的界面与千问、豆包、GPT非常类似
80%已验证GPT是OpenAI基于Transformer架构开发的大型语言模型系列
80%已验证GPT系列采用解码器路线，坚持自回归语言模型目标，通过扩大规模揭示了涌现能力现象
80%已验证GPT系列使用tiktoken（基于BPE编码）进行Token化
80%已验证GPT系列采用Transformer的解码器（Decoder-only）变体，通过自回归方式逐Token预测下一个词
80%已验证VLM（视觉语言模型）通常由视觉编码器（如ViT）、语言模型和连接两者的投影层组成，代表性模型包括GPT-4V/4o、Claude 3.5、LLaVA系列和InternVL
80%已验证项目通过OpenRouter接入大语言模型，OpenRouter作为AI模型网关支持统一API调用多种大模型如GPT-4、Claude、Llama等
80%已验证2024年以来OpenAI多次下调GPT系列API价格
80%已验证Function Calling（函数调用）机制最早由OpenAI在2023年引入GPT系列模型
80%已验证当前所有主流大模型（GPT、BERT、LLaMA等）都基于Transformer架构
80%已验证GPTs是OpenAI在2023年首届DevDay上推出的自定义ChatGPT功能
80%已验证当前主流大语言模型（如GPT-4、Claude等）的上下文窗口已扩展到128K甚至更长的token
80%