New Bing 底层模型演进：从 GPT-3.5 到 GPT-4o 发生了什么
为什么要关心底层模型
New Bing / Copilot 的能力质量，根本上取决于它背后的大语言模型（LLM）。每次模型升级都会带来：
- 回答质量提升（更准确、更少幻觉）
- 指令遵循能力增强（更好理解复杂要求）
- 多模态能力扩展（从纯文本到图片、语音）
- 推理速度变化（有时更快，有时需要更长时间思考）
了解当前使用的模型版本，有助于判断「这个问题 Copilot 应该能回答好吗？」
模型演进时间线
第一阶段：GPT-3.5 临时过渡（2023 年 2 月首发）
New Bing 首发时，微软还在等待 GPT-4 完成最终测试。首发版本使用的是 GPT-3.5 加一层强化（据报道是基于 ChatGPT 模型微调 + 联网搜索增强）。这个阶段的特点是：
- 回答速度快
- 但对复杂问题的推理能力有限
- 偶尔出现「跑题」或「答非所问」
首发当天因为排队人数过多，微软一度暂停了候补名单注册。
第二阶段：GPT-4 正式接入（2023 年 3 月）
GPT-4 正式发布后，New Bing 第一时间完成了底层模型升级。这次升级是质的飞跃：
- 推理能力大幅提升：能处理多步骤的复杂逻辑问题
- 幻觉率显著降低：引用和事实的准确度更高
- 上下文理解增强：支持更长的对话历史
- 代码能力增强：可以生成和解释代码片段
第三阶段：多模态扩展（2023 年下半年）
2023 年下半年，New Bing / Copilot 的模型栈开始支持多模态：
- DALL-E 3 图片生成（10 月接入 Bing Chat 和 bing.com/create）
- 视觉搜索 + 图片提问（可以上传图片，让 AI 分析内容）
- 底层文本模型仍然是 GPT-4，但新增了视觉编码器和图像生成模型
第四阶段：GPT-4o 统一多模态（2024 年）
GPT-4o（o 代表 omnimo dal，全模态）发布后，Copilot 全面升级。GPT-4o 的关键特性：
- 文本、图片、音频三种模态统一到一个模型中处理
- 响应速度显著加快（接近实时交互）
- 语音交互从「文字输入→语音输出」变成真正的「语音输入→语音输出」对话
当前状态（2025 年）
到 2025 年，Copilot 的模型栈包括：
- 文本对话：GPT-4o 为主，部分任务使用更轻量的模型
- 图片生成：MAI-Image-2e（微软自家模型，也支持 DALL-E 3 和 GPT-4o 生成）
- 语音交互：GPT-4o audio 模型 + 微软自有语音合成
New Bing 的搜索结果页面上，AI 回答卡片的模型版本可能会随后台调度动态调整，用户一般不需要手动切换。
模型版本和使用体验的关系
| 模型阶段 | 回答质量 | 速度 | 多模态 | 适合场景 |
|---|---|---|---|---|
| GPT-3.5 过渡版 | 一般 | 快 | 无 | 简单问答 |
| GPT-4 | 好 | 中等 | 有限 | 复杂推理、长文撰写 |
| GPT-4o | 很好 | 快 | 文本+图+语音 | 全场景统一体验 |
一般用户不需要关心具体用的是哪个模型版本——只要用最新版 Copilot，就能获得当前最好的模型质量。但如果你发现回答质量突然下降，可以想想是不是当天模型有更新或服务端有调度调整。
关于「幻觉」
即使是 GPT-4o，也会产生「幻觉」——也就是 AI 一本正经地说出错误或编造的信息。New Bing / Copilot 相比纯 ChatGPT 的优势在于：它的回答都基于实时搜索到的网页，并且附带引用链接。养成好习惯：重要信息点开引用核实一下。