GPT-5.2性能爆表，但紅色警報沒有解除

就在剛剛，ChatGPT-5.2發布了。

這是OpenAI成立以來，首次發布紅色警報（Code Red）后的第一款產品。

雖然在時間上，GPT-5.2只跟5.1相隔了一個月。但是從公布的性能數據來看，GPT-5.2較上一代提升巨大，而且遠超谷歌和Anthropic的同期產品。

然而OpenAI的紅色警報并未因此解除，這家公司仍處于危機之中。

究其原因，現在的市場已經逐漸開始對OpenAI祛魅，而是更冷靜地審視每一分算力背后的投入產出比。在這種前所未有的環境之下，OpenAI不僅需要證明自己是最強的，還需要證明自己不可被替代。

01

首先要說的，就是GPT-5.2的數學能力。

長期以來，業界普遍認為大語言模型雖然能寫代碼、能聊天，但在嚴格的數學推理上總是差強人意。這次GPT-5.2 Thinking在AIME 2025數學競賽中拿到了100%的滿分。

AIME是美國數學邀請賽，題目難度遠超普通高中數學，需要扎實的數學功底和靈活的解題思路。GPT-5.2能在這樣的測試中全部答對，說明它在數學推理上已經達到了相當高的水平。

在更高難度的FrontierMath測試中，GPT-5.2 Thinking解決了40.3%的專家級數學難題。這個測試專門針對前沿數學研究設計，許多題目連專業數學家都需要花費大量時間思考。能解決其中40%的問題，已經展現出在輔助科學研究方面的潛力。

除了推理和數學，GPT-5.2在專業工作領域也表現突出。

在OpenAI新推出的GDPval基準測試中，GPT-5.2 Thinking在涵蓋44種職業的知識工作任務上，有70.9%的情況下擊敗或打平了頂尖行業專家。

這些任務包括制作演示文稿、構建復雜的財務模型、撰寫專業文檔等。OpenAI表示，它完成這些任務的速度是人類專家的11倍以上，成本卻不到1%。

在軟件工程方面，GPT-5.2 Thinking在SWE-Bench Pro上達到55.6%的準確率，在SWE-bench Verified上達到80%。這些測試評估的是模型在真實代碼庫中修復bug、實現新功能的能力。

早期測試者反饋，它在前端開發和復雜UI實現上尤其出色，甚至能夠根據一條提示就生成包含3D效果和物理模擬的完整應用。

GPT-5.2在長文檔理解上也有明顯進步。在OpenAI的MRCRv2測試中，它成為首個在256k token長度下，針對4-needle變體任務達到近乎100%準確率的模型。

這意味著用戶可以上傳數百頁的報告、合同或研究論文，模型仍能準確理解分散在不同位置的相關信息，并進行綜合分析。

在視覺理解方面，GPT-5.2的錯誤率在圖表推理和軟件界面理解任務上幾乎減半。它對圖像中物體的空間位置有了更準確的把握。

OpenAI展示了一個例子：即使輸入一張模糊的主板照片，GPT-5.2也能準確識別出各個組件的位置并標注邊界框，而前代模型只能識別出少數部分且位置偏差較大。

此次發布包含三個版本。GPT-5.2 Instant定位為日常工作的快速助手，適合信息查詢、技術寫作和翻譯等任務。GPT-5.2 Thinking專注于深度推理，在編程、數據分析和復雜文檔處理上表現最佳，是專業工作的首選。GPT-5.2 Pro則是最智能的版本，適合那些"值得等待高質量答案"的高難度問題。

同時這次發布最引人注目的，不僅是模型本身的能力提升，更是一個令人驚訝的效率數據：在ARC-AGI-1測試中，GPT-5.2 Pro實現了約390倍的效率改進。

一年前，OpenAI曾驗證過一個未發布的o3預覽版本，在ARC-AGI-1測試中達到88%的準確率，但每個任務的成本約為4500美元。如今，GPT-5.2 Pro不僅將準確率提升至90.5%，還將單任務成本降至11.64美元。這種量級的效率提升，意味著原本只能在實驗室中演示的能力，現在有可能真正走向實際應用。

ARC-AGI測試被設計用來衡量抽象推理能力，它要求模型在面對從未見過的模式時，仍能找出規律并給出答案。這種能力接近人類所謂的“舉一反三”。

GPT-5.2 Pro在ARC-AGI-1驗證集上的表現，使其成為首個突破90%門檻的模型。在難度更高的ARC-AGI-2上，GPT-5.2 Thinking也達到了52.9%的準確率，創下了鏈式思維模型的新紀錄。

02

GPT-5.2是奧特曼啟動Code Red后的一次強有力證明，但競爭的結果不會由單一基準測試決定。真正的較量在于誰能更好地理解用戶需求，誰能在保持技術領先的同時控制成本，誰能在不同應用場景中提供更可靠的服務。

一個來自GitHub的開源基準測試給出了答案。在lechmazur維護的NYT Connections測試中，GPT-5.2的表現并不如預期。

NYT Connections是《紐約時報》推出的一個文字游戲，要求玩家從16個詞語中找出四組相關的詞匯。這個測試被設計成了一個LLM基準，通過加入額外的干擾詞來增加難度，目前包含759個謎題。這種測試考察的是模型對語言的細微理解、聯想能力和分類推理。

在這個排行榜上，Gemini 3 Pro Preview以96.8%的準確率位居第一。緊隨其后的是xAI的Grok 4.1 Fast Reasoning，準確率為93.5%。OpenAI的模型中，表現最好的是GPT-5 Pro，準確率為83.9%，排在第八位。GPT-5.2在高推理模式下的準確率為77.9%，排名第11位。

這個結果多少有些出人意料。GPT-5.2在數學競賽中能拿滿分，在專業工作任務中能超越人類專家，但在這個看似簡單的文字游戲上，卻落后于競爭對手近20個百分點。

深入分析會發現，這并不是簡單的性能問題。NYT Connections測試的是模型對語言文化背景的理解，對詞語之間隱含關聯的把握，以及在多個可能性中做出合理選擇的能力。

比如BANK、INTEREST、RATE、LOAN可能組成金融類別，也可能BANK與SHORE、BEACH、COAST組成河岸類別。

模型需要同時考慮多個維度的關聯，并找到最合理的分組方式。

Gemini 3 Pro在這個測試上的領先，說明谷歌在語言理解的某些維度上確實有獨到之處。Grok系列模型的表現也值得注意，xAI雖然起步較晚，但在特定任務上已經展現出競爭力。

有趣的是，測試數據還顯示，在最新的100個謎題中，各模型的排名基本保持一致，這說明訓練數據污染的可能性不大。模型之間的差距是實質性的，而非來自對題目的記憶。

這個測試的存在，給AI社區提供了一個更全面的視角。模型能力的評估不應該只看幾個主流基準測試，也需要關注那些看似邊緣但實則反映深層能力的測試。

NYT Connections考察的聯想和分類能力，在實際應用中同樣重要，比如在信息檢索、內容推薦、知識圖譜構建等場景中。

從這個角度看，奧特曼的Code Red警報確實還不能解除。雖然GPT-5.2在很多領域表現出色，但它并沒有在所有維度上都取得領先。競爭對手在某些方向上依然保持著優勢，甚至在擴大差距。

03

技術競爭最終要落到商業層面。OpenAI在市場上的處境，比技術指標的對比要復雜得多。

從定價策略來看，GPT-5.2在API層面的價格定在每百萬輸入token 1.75美元，每百萬輸出token 14美元，比前代GPT-5.1分別貴了40%。

GPT-5.2 Pro價格也提高了，每百萬輸入token 21美元，每百萬輸出token 168美元。

這個漲價幅度不小，OpenAI的解釋是新模型能力更強，性價比實際上更高。但對于大量調用API的開發者來說，成本的增加是實實在在的。

相較之下，Gemini 3 Pro的核心型號為gemini-3-pro-preview，其token定價按上下文窗口長度區分，提示詞≤20 萬 token 時，輸入每百萬token 2美元、輸出每百萬token 12美元，提示詞＞20萬token時，輸入和輸出價格分別翻倍至每百萬token 4美元和18美元。

Claude 方面，最新的 Opus 4.5定價大幅下調，輸入每百萬token 5美元、輸出每百萬token 25美元，相比前代降幅約2/3，上下文窗口為200K token，且無長上下文加價情況。

當競爭對手們如Gemini和Claude都在通過大幅降價，試圖讓AI變成像水電一樣廉價的基礎設施時，OpenAI 卻反其道而行之，不僅沒有參與價格戰，反而坦然地掛出了高昂的價格標簽。這只能說明一件事：奧特曼正在試圖把 GPT 變成一件“奢侈品”。

在商業邏輯中，奢侈品的定義往往不在于“有用”，而在于“稀缺”和“極致”。OpenAI 正在賭，賭這個世界上存在一部分最高端的智力需求，它們對價格不敏感，但對質量有著近乎偏執的要求。

對于這部分用戶，只要能提供那個唯一的、最正確的答案，168美元的價格不僅不貴，反而是一種身份和能力的篩選。

這或許才是“紅色警報”在商業層面的真正回響。它不再是擔心落后，而是擔心平庸。

OpenAI正在進行一場危險的博弈：它試圖通過高價策略，將自己與“普通 AI”徹底區隔開來，建立起類似愛馬仕或蘋果那樣的品牌護城河。

但這也意味著，它從此失去了“差不多就行”的容錯空間。可問題就在于一旦這件昂貴的“奢侈品”在實際體驗中無法提供碾壓式的優越感，那么用戶轉身離開的速度。

況且，能挽救OpenAI的遠不止一個高性能的模型那么簡單，奧特曼現在需要的，是一個足夠動人的新故事。