刚刚，GPT-5.2满分屠榜，让打工人每周少干10小时！-优快云博客

转自：机器之心

谷歌的领先优势，只保持了不到一个月。

今天是 OpenAI 的十周年纪念日，十周年之际，来点大的。

在「红色警报」后，OpenAI 在北京时间本周五拿出了最新的顶级模型 GPT-5.2 系列 —— 迄今为止在专业知识工作上最强大的模型系列。

简而言之，OpenAI 本次推出：

GPT-5.2 Instant，为日常工作与学习而打造：

与 GPT-5.1 一样温暖、对话自然
更清晰的讲解，把关键信息提前呈现
改进的操作指南与分步骤讲解
更强的技术写作与翻译能力
更好地支持学习与职业规划

GPT-5.2 Thinking，为专业级工作全面提升标准：

业界最先进的长上下文推理能力
在电子表格的生成、分析与排版方面取得重大提升
在演示文稿制作方面已有初步突破

GPT-5.2 Pro，在面对困难问题时最聪明、最值得信赖的模型：

在编程等复杂领域表现更强
最适合帮助并加速科学研究的模型

GPT-5.2 的设计目标，就是为人们创造更多经济价值：它在制作电子表格、构建演示文稿、编写代码、理解图像、处理超长上下文、使用工具，以及执行复杂的多步骤项目方面都有显著提升。

真正的生产力不是空口无凭，让我们来看看数据，GPT-5.2 到底有多强。

在如图所示的众多基准测试中，GPT-5.2 均刷新了最新的 SOTA 水平。

你可以注意到，AIME 2025（数学）的分数是 100%，之前 Gemini 3 Pro 的分数是 95%；ARC-AGI-2（抽象推理）的分数是 52.9%，对比 Gemini 3 Pro 是 31.1 %；此外 SWE-bench pro（编码）的分数是 55.6%，对比 Gemini 3 Pro 是 43.3 %。

GPT-5.2 在 GDPval（知识工作）基准上的分数为 74.1%，OpenAI 声称这是 AI 模型首次达到了「人类专家水平」。

总体来看，GPT-5.2 在通用智能、长上下文理解、自主式工具调用以及视觉能力方面均带来了显著提升，使其比以往任何模型都更擅长端到端地完成复杂的真实世界任务。

山姆・奥特曼表示，GPT-5.2 是 OpenAI 很长一段时间以来最大的一次升级。

真正的生产力

GPT-5.2 Thinking 是迄今为止最适合真实世界专业场景的模型。在 GDPval—— 一个覆盖 44 个职业、针对明确知识工作任务的评估体系中，GPT-5.2 Thinking 刷新了 SOTA 成绩，并成为 OpenAI 首个整体表现达到或超过人类专家水平的模型。

根据专业评审的判断，在 GDPval 的知识工作任务对比中，GPT-5.2 Thinking 在 70.9% 的对比中击败或与顶尖行业专家持平。这些任务包括制作演示文稿、电子表格以及其他专业产出物。

在执行 GDPval 任务时，GPT-5.2 Thinking 生成输出的速度超过专家 11 倍以上，成本却低于 1%。这表明，在配合人工监督时，GPT-5.2 能显著辅助专业工作。

速度和成本估算基于历史数据；ChatGPT 中的实际速度可能有所差异。

在 GDPval 中，模型需要完成覆盖美国 GDP 贡献度最高的 9 大行业中 44 个职业的、明确规定的知识工作任务。这些任务要求生成真实的工作产出，例如：销售演示文稿、会计报表 / 电子表格、急诊排班表、制造流程图，甚至是短视频等。在 ChatGPT 中，GPT-5.2 Thinking 配备了 GPT-5 Thinking 所不具备的新工具。

在评审一份表现尤其出色的输出时，一位 GDPval 评委评论道：

「这是一次令人兴奋且明显的质量飞跃……[它] 看起来就像是由一家专业公司团队完成的，两个交付物的版式设计和建议都出乎意料地优秀，不过其中一个仍有一些小错误需要修正。」

此外，在 OpenAI 内部用于测试初级投行分析师能力的电子表格建模基准中（例如：为一家财富 500 强企业构建包含三张财务报表的模型，并具备正确格式和引用；或为私有化交易构建杠杆收购模型），GPT-5.2 Thinking 的任务平均得分比 GPT-5.1 提升了 9.3%，从 59.1% 上升到 68.4%。

对比显示，GPT-5.2 Thinking 在生成电子表格与演示文稿时，在专业度与排版质量上都有显著提升：

Prompt: Create a workforce planning model: headcount, hiring plan, attrition, and budget impact. Include engineering, marketing, legal, and sales departments.

5.1 错误地计算了种子轮、A 轮和 B 轮的清算优先权，并且将这些行的大部分留空，导致最终的股权分配计算结果不正确。它还在表头行中错误地插入了公式。5.2 则完整且准确地完成了所有计算，并以可审计的方式呈现结果。

要在 ChatGPT 中使用新的电子表格和演示文稿生成功能，您需要使用 Plus、Pro、Business 或 Enterprise 方案，并选择 GPT-5.2 Thinking 或 GPT-5.2 Pro。复杂内容的生成可能需要数分钟时间。

新的编码高峰

GPT-5.2 Thinking 在 SWE-Bench Pro 上取得 55.6% 的最新 SOTA 成绩。

SWE-Bench Pro 是一个严格评估真实世界软件工程能力的基准。与只测试 Python 的 SWE-bench Verified 不同，SWE-Bench Pro 涵盖四种编程语言，并设计得更具抗污染性、挑战性、多样性和工业相关性。

在 SWE-Bench Pro 中，模型会获得一个代码仓库，并必须生成补丁（patch）来解决一个真实的软件工程任务。

在 SWE-bench Verified 上，GPT-5.2 Thinking 取得了 80% 的新的最高分。

对于日常专业使用来说，这意味着模型在以下方面更加可靠：调试生产环境代码、实现功能请求、重构大型代码库，以及以更少人工干预的方式完成端到端修复。

GPT-5.2 Thinking 在前端工程能力上也优于 GPT-5.1 Thinking。早期测试者发现，它在前端开发以及复杂或非常规的 UI 设计（尤其是包含 3D 元素的界面）方面的能力显著增强，使其成为全栈工程师的强大日常助手。

以下是它根据单条提示词即可生成的部分示例：

新的幻觉低谷

GPT-5.2 Thinking 的幻觉率显著低于 GPT-5.1 Thinking。

在一组来自 ChatGPT 的去标识化真实用户查询上，含错误的回答相对减少了 30%。

对于专业用户而言，这意味着在进行研究、写作、分析和决策支持时，模型犯错更少，从而让日常知识工作更加可靠稳健。

推理力度被设置为可用的最高级别，并启用了搜索工具。错误由其他模型检测，而这些模型本身也可能会出错。在主张级别（claim-level）的错误率远低于回答级别（response-level）的错误率，因为大多数回答都包含多个独立主张。

摆脱上下文限制

GPT-5.2 Thinking 在长上下文推理方面达到了新的业界最先进水平，在 OpenAI MRCRv2 上取得领先表现 —— 这是一个用于测试模型整合长文档中分散信息能力的评估基准。在真实世界任务（如深度文档分析）中，当相关信息分布在数十万 token 中时，GPT-5.2 Thinking 的准确性显著优于 GPT-5.1 Thinking。

特别值得注意的是，GPT-5.2 Thinking 是 OpenAI 首个在 4-needle MRCR 变体（长度可达 256k tokens）上达到接近 100% 准确率的模型。

从实际应用来看，这意味着专业人士可以使用 GPT-5.2 来处理超长文档 —— 例如报告、合同、科研论文、访谈记录以及多文件项目 —— 同时在数十万 token 的跨段信息中保持连贯性和准确性。这让 GPT-5.2 尤其适合深度分析、综合推理以及复杂的多来源工作流。

在 OpenAI-MRCR v2（多轮共指消解）评测中，会将多个相同的「针」（needle）式用户请求插入到由大量类似请求与回复构成的长「草堆」（haystacks）中，然后要求模型复现第 n 个针对应的回答。Mean match ratio（平均匹配率）用于衡量模型回答与正确答案之间的平均字符串匹配程度。图中 256k 最大输入 token 的点代表对 128k–256k token 输入范围的平均表现，以此类推。其中 256k 表示 256 × 1,024 = 262,144 token。推理力度被设置为可用的最高级别。

对于那些需要在最大上下文窗口之外继续推理的任务，GPT-5.2 Thinking 兼容我们新的 Responses /compact 端点，它能够扩展模型的有效上下文窗口。

这使得 GPT-5.2 Thinking 可以处理更多依赖工具、运行时间较长的工作流，而不会受到上下文长度的限制。

精细的视觉理解

OpenAI 表示：「GPT-5.2 Thinking 是我们要目前最强的视觉模型，在图表推理和软件界面理解方面的错误率几乎降低了一半。」

对于日常的专业应用而言，这意味着该模型能够更准确地解读仪表盘、产品截屏、技术图表和视觉报告，从而为金融、运营、工程、设计以及客户支持等以视觉信息为核心的工作流提供强力支持。

在 CharXiv Reasoning 中，模型需要回答关于科学论文中视觉图表的问题。测试中启用了 Python 工具，并将推理强度（reasoning effort）设为最大。

在 ScreenSpot-Pro 中，模型必须对来自各种专业环境的高分辨率图形用户界面（GUI）截图进行推理。测试中启用了 Python 工具，并将推理强度设为最大。如果不使用 Python 工具，得分会低得多。OpenAI 建议在此类视觉任务上启用 Python 工具。

与之前的模型相比，GPT-5.2 Thinking 对图像中各元素的位置关系理解得更加透彻，这对于「相对布局」在解决问题中起关键作用的任务尤为重要。

在下方的示例中，OpenAI 要求模型识别输入图像（本例中为主板）中的组件，并返回带有大致边界框的标签。即使在低质量图像上，GPT-5.2 也能识别出主要区域，并放置有时能与每个组件真实位置相匹配的框；而 GPT-5.1 仅标记了少数几个部分，且对其空间排列的理解要弱得多。

很明显，两个模型都存在错误，但 GPT-5.2 展示出了对图像更好的理解力。

可靠的工具调用

GPT-5.2 Thinking 在 Tau2-bench Telecom 上取得了 98.7% 的新 SOTA 成绩，展示了其在长链路、多轮任务中可靠使用工具的能力。

对于延迟敏感的用例，GPT-5.2 Thinking 在 reasoning.effort='none'（不进行额外推理思考）模式下的表现也要好得多，大幅优于 GPT-5.1 和 GPT-4.1。

在 τ2-bench 中，模型需要使用工具与模拟用户进行多轮交互，以完成客户支持任务。对于电信领域，OpenAI 在系统提示词中包含了一条简短且通用的指导说明以提升性能。由于航空子集的基准真实标签评分质量较低，OpenAI 将其排除在外。

对于专业人士来说，这可以转化为更强大的端到端工作流 —— 例如解决客户支持案例、从多个系统提取数据、运行分析以及生成最终输出，且步骤之间的断裂或阻滞更少。

例如，当询问一个需要多步解决的复杂客服问题时，模型可以更有效地协调跨多个智能体的完整工作流。

在下面的案例中，一位旅客报告了航班延误、错过了转机、需要在纽约过夜以及医疗座位需求。GPT-5.2 管理了整个任务链（重新预订、特殊协助座位和赔偿），提供了比 GPT-5.1 更完整的结果。

「我从巴黎到纽约的航班延误了，导致我错过了去奥斯汀的转机。我的托运行李也不见了，我需要在纽约过夜。此外，因为医疗原因我还需要一个特殊的前排座位。你能帮我吗？」

探索科学与数学边界

OpenAI 表示其对 AI 的愿景之一，是希望它能加速科学研究，造福每一个人。为此，OpenAI 一直与科学家合作并倾听他们的意见，探索 AI 如何能加速他们的工作。

上个月，OpenAI 在论文《Early experiments in accelerating science with GPT-5》中分享了一些早期的合作实验。

OpenAI 表示：「我们相信 GPT-5.2 Pro 和 GPT-5.2 Thinking 是目前世界上辅助和加速科学家工作的最佳模型。」

在 GPQA Diamond（一个研究生级别的「防谷歌搜索」问答基准测试）上，GPT-5.2 Pro 达到了 93.2%，GPT-5.2 Thinking 紧随其后，达到了 92.4%。

在 GPQA Diamond 中，模型需要回答关于物理、化学和生物的多项选择题。测试中未启用工具，并将推理强度设为最大。

在 FrontierMath (Tier 1–3) 这一专家级数学评估中，GPT-5.2 Thinking 创下了新的 SOTA，解决了 40.3% 的问题。

在 FrontierMath 中，模型解决专家级数学问题。测试中启用了 Python 工具，并将推理强度设为最大。

OpenAI 表示：「我们开始看到 AI 模型以切实可见的方式有意义地加速数学和科学的进步。例如，在最近使用 GPT-5.2 Pro 的一项工作中，研究人员探索了统计学习理论中的一个开放性问题。在一个狭窄且定义明确的设定中，模型提出了一个证明，随后该证明被作者验证并由外部专家审查，这生动地说明了前沿模型如何在密切的人类监督下辅助数学研究。」

通用推理 ARC-AGI 2

在 ARC-AGI-1 (Verified)（一个旨在衡量通用推理能力的基准测试）上，GPT-5.2 Pro 是首个突破 90% 门槛的模型。相比去年 o3-preview 达到的 87%，它不仅实现了性能提升，还将达成该性能的成本降低了约 390 倍。

在 ARC-AGI-2 (Verified) 上（该测试提高了难度并更好地隔离了流体推理能力（fluid reasoning）），GPT-5.2 Thinking 取得了思维链模型的新 SOTA，得分为 52.9%。GPT-5.2 Pro 的表现甚至更高，达到了 54.2%，进一步扩展了模型对新颖、抽象问题进行推理的能力。

在这些评估中的提升，反映了 GPT-5.2 更强的多步推理能力、更高的定量准确性，以及在处理复杂技术任务时更可靠的问题解决能力。

在 ChatGPT 中使用 GPT-5.2

OpenAI 表示：「在 ChatGPT 中，用户应该会注意到 GPT-5.2 的日常使用体验更佳 —— 它更有条理、更可靠，且对话体验依然令人愉悦。」

该公司给 GPT-5.2 Instant 的定位是日常工作和学习的快速、强力助手。它延续了 GPT-5.1 Instant 引入的更温暖的对话基调，并在信息搜寻、实操指南与分步教程、技术写作以及翻译方面有明显改进。早期测试者特别指出，其解释更加清晰，能够将关键信息前置。

GPT-5.2 Thinking 专为深度工作设计，帮助用户以更高的完成度处理更复杂的任务 —— 特别是在代码编写、长文档总结、基于上传文件的问答、逐步处理数学和逻辑问题，以及通过更清晰的结构和更实用的细节支持规划与决策方面。

GPT-5.2 Pro 是 OpenAI 处理难题时最聪明、最值得信赖的选择。对于那些值得等待的高质量回答，它表现最佳。早期测试显示，其在编程等复杂领域的重大错误更少，表现更强。

安全

GPT-5.2 基于 OpenAI 在 GPT-5 中引入的「安全完成」研究，该研究旨在教会 AI 模型在确保安全的前提下，给出最有帮助的答案。

据说在此版本中，研究人员继续致力于增强模型在敏感对话中的响应能力，显著改进了模型对提示自杀或自残迹象、心理健康困扰或对模型的情感依赖等问题的响应。与 GPT-5.1 和 GPT-5 Instant 及 Thinking 模型相比，这些针对性的干预措施显著减少了 GPT-5.2 Instant 和 GPT-5.2 Thinking 模型的不良响应。

OpenAI 提到，GPT-5.2 能够自动为 18 岁以下用户应用内容保护，从而限制他们访问敏感内容。

定价

ChatGPT 将于今日开始逐步推出 GPT-5.2（包括 Instant、Thinking 和 Pro 版本），首先面向付费用户（Plus、Pro、Go、Business 和 Enterprise 版本）提供。为确保 ChatGPT 的流畅性和稳定性，GPT-5.2 将分阶段部署，可能有人第一时间无法看到。在 ChatGPT 中，付费用户仍可在三个月内继续使用 GPT-5.1（旧版模式），之后 GPT-5.1 将逐步下线。

在 API 平台上，GPT-5.2 Thinking 以 gpt-5.2 的名义提供，GPT-5.2 Instant 则以 gpt-5.2-chat-latest 的名称提供。GPT-5.2 Pro 以 gpt-5.2-pro 的名称提供。开发者现在可以在 GPT-5.2 Pro 中设置推理参数，并且 GPT-5.2 Pro 和 GPT-5.2 Thinking 均支持新的第五级推理难度 xhigh，适用于对质量要求极高的任务。

以下是百万 token 的价格，OpenAI 称，尽管 GPT-5.2 的单个 token 成本更高，但由于其更高的 token 效率，达到特定质量水平的总成本反而更低。

ChatGPT 的订阅价格保持不变。