剛剛，GPT-5.2滿分屠榜，OpenAI十周年王者歸來

機器之心報道

機器之心編輯部

谷歌的領先優勢，只保持了不到一個月。

今天是 OpenAI 的十周年紀念日，十周年之際，來點大的。

文中視頻鏈接：https://mp.weixin.qq.com/s/b_1UR_AksY4_1Osti97RmA

在「紅色警報」后，OpenAI 在北京時間本周五拿出了最新的頂級模型 GPT-5.2 系列 —— 迄今為止在專業知識工作上最強大的模型系列。

簡而言之，OpenAI 本次推出：

GPT-5.2 Instant，為日常工作與學習而打造：

• 與 GPT-5.1 一樣溫暖、對話自然
• 更清晰的講解，把關鍵信息提前呈現
• 改進的操作指南與分步驟講解
• 更強的技術寫作與翻譯能力
• 更好地支持學習與職業規劃

GPT-5.2 Thinking，為專業級工作全面提升標準：

• 業界最先進的長上下文推理能力
• 在電子表格的生成、分析與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，在面對困難問題時最聰明、最值得信賴的模型：

• 在編程等復雜領域表現更強
• 最適合幫助并加速科學研究的模型

GPT-5.2 的設計目標，就是為人們創造更多經濟價值：它在制作電子表格、構建演示文稿、編寫代碼、理解圖像、處理超長上下文、使用工具，以及執行復雜的多步驟項目方面都有顯著提升。

真正的生產力不是空口無憑，讓我們來看看數據，GPT-5.2 到底有多強。

在如圖所示的眾多基準測試中，GPT-5.2 均刷新了最新的 SOTA 水平。

你可以注意到，AIME 2025（數學）的分數是 100%，之前 Gemini 3 Pro 的分數是 95%；ARC-AGI-2（抽象推理）的分數是 52.9%，對比 Gemini 3 Pro 是 31.1 %；此外 SWE-bench pro（編碼）的分數是 55.6%，對比 Gemini 3 Pro 是 43.3 %。

GPT-5.2 在 GDPval（知識工作）基準上的分數為 74.1%，OpenAI 聲稱這是 AI 模型首次達到了「人類專家水平」。

總體來看，GPT-5.2 在通用智能、長上下文理解、自主式工具調用以及視覺能力方面均帶來了顯著提升，使其比以往任何模型都更擅長端到端地完成復雜的真實世界任務。

山姆?奧特曼表示，GPT-5.2 是 OpenAI 很長一段時間以來最大的一次升級。

真正的生產力

GPT-5.2 Thinking 是迄今為止最適合真實世界專業場景的模型。在 GDPval—— 一個覆蓋 44 個職業、針對明確知識工作任務的評估體系中，GPT-5.2 Thinking 刷新了 SOTA 成績，并成為 OpenAI 首個整體表現達到或超過人類專家水平的模型。

根據專業評審的判斷，在 GDPval 的知識工作任務對比中，GPT-5.2 Thinking 在 70.9% 的對比中擊敗或與頂尖行業專家持平。這些任務包括制作演示文稿、電子表格以及其他專業產出物。

在執行 GDPval 任務時，GPT-5.2 Thinking 生成輸出的速度超過專家 11 倍以上，成本卻低于 1%。這表明，在配合人工監督時，GPT-5.2 能顯著輔助專業工作。

速度和成本估算基于歷史數據；ChatGPT 中的實際速度可能有所差異。

在 GDPval 中，模型需要完成覆蓋美國 GDP 貢獻度最高的 9 大行業中 44 個職業的、明確規定的知識工作任務。這些任務要求生成真實的工作產出，例如：銷售演示文稿、會計報表 / 電子表格、急診排班表、制造流程圖，甚至是短視頻等。在 ChatGPT 中，GPT-5.2 Thinking 配備了 GPT-5 Thinking 所不具備的新工具。

在評審一份表現尤其出色的輸出時，一位 GDPval 評委評論道：

「這是一次令人興奮且明顯的質量飛躍……[它] 看起來就像是由一家專業公司團隊完成的，兩個交付物的版式設計和建議都出乎意料地優秀，不過其中一個仍有一些小錯誤需要修正。」

此外，在 OpenAI 內部用于測試初級投行分析師能力的電子表格建模基準中（例如：為一家財富 500 強企業構建包含三張財務報表的模型，并具備正確格式和引用；或為私有化交易構建杠桿收購模型），GPT-5.2 Thinking 的任務平均得分比 GPT-5.1 提升了 9.3%，從 59.1% 上升到 68.4%。

對比顯示，GPT-5.2 Thinking 在生成電子表格與演示文稿時，在專業度與排版質量上都有顯著提升：

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

5.1 錯誤地計算了種子輪、A 輪和 B 輪的清算優先權，并且將這些行的大部分留空，導致最終的股權分配計算結果不正確。它還在表頭行中錯誤地插入了公式。5.2 則完整且準確地完成了所有計算，并以可審計的方式呈現結果。

要在 ChatGPT 中使用新的電子表格和演示文稿生成功能，您需要使用 Plus、Pro、Business 或 Enterprise 方案，并選擇 GPT-5.2 Thinking 或 GPT-5.2 Pro。復雜內容的生成可能需要數分鐘時間。

新的編碼高峰

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

SWE-Bench Pro 是一個嚴格評估真實世界軟件工程能力的基準。與只測試 Python 的 SWE-bench Verified 不同，SWE-Bench Pro 涵蓋四種編程語言，并設計得更具抗污染性、挑戰性、多樣性和工業相關性。

在 SWE-Bench Pro 中，模型會獲得一個代碼倉庫，并必須生成補丁（patch）來解決一個真實的軟件工程任務。

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

對于日常專業使用來說，這意味著模型在以下方面更加可靠：調試生產環境代碼、實現功能請求、重構大型代碼庫，以及以更少人工干預的方式完成端到端修復。

GPT-5.2 Thinking 在前端工程能力上也優于 GPT-5.1 Thinking。早期測試者發現，它在前端開發以及復雜或非常規的 UI 設計（尤其是包含 3D 元素 的界面）方面的能力顯著增強，使其成為全棧工程師的強大日常助手。

以下是它根據單條提示詞即可生成的部分示例：

新的幻覺低谷

GPT-5.2 Thinking 的幻覺率顯著低于 GPT-5.1 Thinking。

在一組來自 ChatGPT 的去標識化真實用戶查詢上，含錯誤的回答相對減少了 30%

對于專業用戶而言，這意味著在進行研究、寫作、分析和決策支持時，模型犯錯更少，從而讓日常知識工作更加可靠穩健。

推理力度被設置為可用的最高級別，并啟用了搜索工具。錯誤由其他模型檢測，而這些模型本身也可能會出錯。在主張級別（claim-level）的錯誤率遠低于回答級別（response-level）的錯誤率，因為大多數回答都包含多個獨立主張。

擺脫上下文限制

GPT-5.2 Thinking 在長上下文推理方面達到了新的業界最先進水平，在 OpenAI MRCRv2 上取得領先表現 —— 這是一個用于測試模型整合長文檔中分散信息能力的評估基準。在真實世界任務（如深度文檔分析）中，當相關信息分布在數十萬 token 中時，GPT-5.2 Thinking 的準確性顯著優于 GPT-5.1 Thinking。

特別值得注意的是，GPT-5.2 Thinking 是 OpenAI 首個在 4-needle MRCR 變體（長度可達 256k tokens）上達到接近 100% 準確率的模型。

從實際應用來看，這意味著專業人士可以使用 GPT-5.2 來處理超長文檔 —— 例如報告、合同、科研論文、訪談記錄以及多文件項目 —— 同時在數十萬 token 的跨段信息中保持連貫性和準確性。這讓 GPT-5.2 尤其適合深度分析、綜合推理以及復雜的多來源工作流。

在 OpenAI-MRCR v2（多輪共指消解）評測中，會將多個相同的「針」（needle）式用戶請求插入到由大量類似請求與回復構成的長「草堆」（haystacks）中，然后要求模型復現第 n 個針對應的回答。Mean match ratio（平均匹配率） 用于衡量模型回答與正確答案之間的平均字符串匹配程度。圖中 256k 最大輸入 token 的點代表對 128k–256k token 輸入范圍的平均表現，以此類推。其中 256k 表示 256 × 1,024 = 262,144 token。推理力度被設置為可用的最高級別。

對于那些需要在最大上下文窗口之外繼續推理的任務，GPT-5.2 Thinking 兼容我們新的 Responses /compact 端點，它能夠擴展模型的有效上下文窗口。

這使得 GPT-5.2 Thinking 可以處理更多依賴工具、運行時間較長的工作流，而不會受到上下文長度的限制。

精細的視覺理解

OpenAI 表示：「GPT-5.2 Thinking 是我們要目前最強的視覺模型，在圖表推理和軟件界面理解方面的錯誤率幾乎降低了一半。」

對于日常的專業應用而言，這意味著該模型能夠更準確地解讀儀表盤、產品截屏、技術圖表和視覺報告，從而為金融、運營、工程、設計以及客戶支持等以視覺信息為核心的工作流提供強力支持。

在 CharXiv Reasoning 中，模型需要回答關于科學論文中視覺圖表的問題。測試中啟用了 Python 工具，并將推理強度（reasoning effort）設為最大。

在 ScreenSpot-Pro 中，模型必須對來自各種專業環境的高分辨率圖形用戶界面（GUI）截圖進行推理。測試中啟用了 Python 工具，并將推理強度設為最大。如果不使用 Python 工具，得分會低得多。OpenAI 建議在此類視覺任務上啟用 Python 工具。

與之前的模型相比，GPT-5.2 Thinking 對圖像中各元素的位置關系理解得更加透徹，這對于「相對布局」在解決問題中起關鍵作用的任務尤為重要。

在下方的示例中，OpenAI 要求模型識別輸入圖像（本例中為主板）中的組件，并返回帶有大致邊界框的標簽。即使在低質量圖像上，GPT-5.2 也能識別出主要區域，并放置有時能與每個組件真實位置相匹配的框；而 GPT-5.1 僅標記了少數幾個部分，且對其空間排列的理解要弱得多。

很明顯，兩個模型都存在錯誤，但 GPT-5.2 展示出了對圖像更好的理解力。

可靠的工具調用

GPT-5.2 Thinking 在 Tau2-bench Telecom 上取得了 98.7% 的新 SOTA 成績，展示了其在長鏈路、多輪任務中可靠使用工具的能力。

對于延遲敏感的用例，GPT-5.2 Thinking 在 reasoning.effort='none'（不進行額外推理思考）模式下的表現也要好得多，大幅優于 GPT-5.1 和 GPT-4.1。

在 τ2-bench 中，模型需要使用工具與模擬用戶進行多輪交互，以完成客戶支持任務。對于電信領域，OpenAI 在系統提示詞中包含了一條簡短且通用的指導說明以提升性能。由于航空子集的基準真實標簽評分質量較低，OpenAI 將其排除在外。

對于專業人士來說，這可以轉化為更強大的端到端工作流 —— 例如解決客戶支持案例、從多個系統提取數據、運行分析以及生成最終輸出，且步驟之間的斷裂或阻滯更少。

例如，當詢問一個需要多步解決的復雜客服問題時，模型可以更有效地協調跨多個智能體的完整工作流。

在下面的案例中，一位旅客報告了航班延誤、錯過了轉機、需要在紐約過夜以及醫療座位需求。GPT-5.2 管理了整個任務鏈（重新預訂、特殊協助座位和賠償），提供了比 GPT-5.1 更完整的結果。

「我從巴黎到紐約的航班延誤了，導致我錯過了去奧斯汀的轉機。我的托運行李也不見了，我需要在紐約過夜。此外，因為醫療原因我還需要一個特殊的前排座位。你能幫我嗎？」

探索科學與數學邊界

OpenAI 表示其對 AI 的愿景之一，是希望它能加速科學研究，造福每一個人。為此，OpenAI 一直與科學家合作并傾聽他們的意見，探索 AI 如何能加速他們的工作。

上個月，OpenAI 在論文《Early experiments in accelerating science with GPT-5》中分享了一些早期的合作實驗。

OpenAI 表示：「我們相信 GPT-5.2 Pro 和 GPT-5.2 Thinking 是目前世界上輔助和加速科學家工作的最佳模型。」

在 GPQA Diamond（一個研究生級別的「防谷歌搜索」問答基準測試）上，GPT-5.2 Pro 達到了 93.2%，GPT-5.2 Thinking 緊隨其后，達到了 92.4%。

在 GPQA Diamond 中，模型需要回答關于物理、化學和生物的多項選擇題。測試中未啟用工具，并將推理強度設為最大。

在 FrontierMath (Tier 1–3) 這一專家級數學評估中，GPT-5.2 Thinking 創下了新的 SOTA，解決了 40.3% 的問題。

在 FrontierMath 中，模型解決專家級數學問題。測試中啟用了 Python 工具，并將推理強度設為最大。

OpenAI 表示：「我們開始看到 AI 模型以切實可見的方式有意義地加速數學和科學的進步。例如，在最近使用 GPT-5.2 Pro 的一項工作中，研究人員探索了統計學習理論中的一個開放性問題。在一個狹窄且定義明確的設定中，模型提出了一個證明，隨后該證明被作者驗證并由外部專家審查，這生動地說明了前沿模型如何在密切的人類監督下輔助數學研究。」

通用推理 ARC-AGI 2

在 ARC-AGI-1 (Verified)（一個旨在衡量通用推理能力的基準測試）上，GPT-5.2 Pro 是首個突破 90% 門檻的模型。相比去年 o3-preview 達到的 87%，它不僅實現了性能提升，還將達成該性能的成本降低了約 390 倍。

在 ARC-AGI-2 (Verified) 上（該測試提高了難度并更好地隔離了流體推理能力（fluid reasoning）），GPT-5.2 Thinking 取得了思維鏈模型的新 SOTA，得分為 52.9%。GPT-5.2 Pro 的表現甚至更高，達到了 54.2%，進一步擴展了模型對新穎、抽象問題進行推理的能力。

在這些評估中的提升，反映了 GPT-5.2 更強的多步推理能力、更高的定量準確性，以及在處理復雜技術任務時更可靠的問題解決能力。

在 ChatGPT 中使用 GPT-5.2

OpenAI 表示：「在 ChatGPT 中，用戶應該會注意到 GPT-5.2 的日常使用體驗更佳 —— 它更有條理、更可靠，且對話體驗依然令人愉悅。」

該公司給 GPT-5.2 Instant 的定位是日常工作和學習的快速、強力助手。它延續了 GPT-5.1 Instant 引入的更溫暖的對話基調，并在信息搜尋、實操指南與分步教程、技術寫作以及翻譯方面有明顯改進。早期測試者特別指出，其解釋更加清晰，能夠將關鍵信息前置。

GPT-5.2 Thinking 專為深度工作設計，幫助用戶以更高的完成度處理更復雜的任務 —— 特別是在代碼編寫、長文檔總結、基于上傳文件的問答、逐步處理數學和邏輯問題，以及通過更清晰的結構和更實用的細節支持規劃與決策方面。

GPT-5.2 Pro 是 OpenAI 處理難題時最聰明、最值得信賴的選擇。對于那些值得等待的高質量回答，它表現最佳。早期測試顯示，其在編程等復雜領域的重大錯誤更少，表現更強。

安全

GPT-5.2 基于 OpenAI 在 GPT-5 中引入的「安全完成」研究，該研究旨在教會 AI 模型在確保安全的前提下，給出最有幫助的答案。

據說在此版本中，研究人員繼續致力于增強模型在敏感對話中的響應能力，顯著改進了模型對提示自殺或自殘跡象、心理健康困擾或對模型的情感依賴等問題的響應。與 GPT-5.1 和 GPT-5 Instant 及 Thinking 模型相比，這些針對性的干預措施顯著減少了 GPT-5.2 Instant 和 GPT-5.2 Thinking 模型的不良響應。

OpenAI 提到，GPT-5.2 能夠自動為 18 歲以下用戶應用內容保護，從而限制他們訪問敏感內容。

定價

ChatGPT 將于今日開始逐步推出 GPT-5.2（包括 Instant、Thinking 和 Pro 版本），首先面向付費用戶（Plus、Pro、Go、Business 和 Enterprise 版本）提供。為確保 ChatGPT 的流暢性和穩定性，GPT-5.2 將分階段部署，可能有人第一時間無法看到。在 ChatGPT 中，付費用戶仍可在三個月內繼續使用 GPT-5.1（舊版模式），之后 GPT-5.1 將逐步下線。

在 API 平臺上，GPT-5.2 Thinking 以 gpt-5.2 的名義提供，GPT-5.2 Instant 則以 gpt-5.2-chat-latest 的名稱提供。GPT-5.2 Pro 以 gpt-5.2-pro 的名稱提供。開發者現在可以在 GPT-5.2 Pro 中設置推理參數，并且 GPT-5.2 Pro 和 GPT-5.2 Thinking 均支持新的第五級推理難度 xhigh，適用于對質量要求極高的任務。

以下是百萬 token 的價格，OpenAI 稱，盡管 GPT-5.2 的單個 token 成本更高，但由于其更高的 token 效率，達到特定質量水平的總成本反而更低。

ChatGPT 的訂閱價格保持不變。

OpenAI 表示，目前沒有計劃在 API 中棄用 GPT-5.1、GPT-5 或 GPT-4.1。雖然 GPT-5.2 在 Codex 中開箱即用，但 OpenAI 還預計將在未來幾周內發布一個針對 Codex 優化的 GPT-5.2 版本。

GPT-5.2 是 OpenAI 與長期合作伙伴英偉達和 Microsoft 合作開發的。Azure 數據中心和英偉達 GPU（包括 H100、H200 和 GB200-NVL72）為 OpenAI 的大規模訓練基礎設施提供了支撐。

OpenAI 十周年

今天是 OpenAI 十歲生日，發布新模型的同時，創始人、CEO 山姆?奧特曼撰文說道：

OpenAI 取得的成就遠超我的想象；我們當初的目標是做一些瘋狂的、幾乎不可能的、前所未有的事情。從充滿不確定性的開端，克服重重困難，憑借持續不斷的努力，我們現在看來很有可能實現我們的使命。

十年前的今天，我們向世界宣布了我們的計劃，盡管我們當時并沒有正式啟動。又過了幾個星期，直到 2016 年 1 月初（才正式開始）。

從某種意義上說，十年是一段很長的時間，但就社會變革通常所需的時間而言，十年其實并不算長。雖然日常生活與十年前并沒有太大的不同，但我們今天所面臨的可能性空間，與我們當年十五個書呆子圍坐在一起，苦思冥想如何取得進步時所感受到的截然不同。

回看早期的照片，我首先注意到的是大家看起來都好年輕。但隨后，我又注意到大家那種異乎尋常的樂觀和快樂。那是一段瘋狂而又充滿樂趣的時光：盡管我們不被人理解，但我們卻有著堅定的信念，覺得這件事意義非凡，即使成功的機會渺茫也值得全力以赴；我們擁有才華橫溢的人，以及清晰的目標。

隨著我們取得一些成功（以及許多失敗），我們逐漸對現狀有了更清晰的認識。那時，要確定具體應該做什么并不容易，但我們建立了一種鼓勵探索的卓越文化。深度學習無疑是一項偉大的技術，但如果沒有在現實世界中積累應用經驗就貿然開發，似乎不太合適。我在此略過我們所做的一切（希望將來有人能寫成一部歷史著作），但我們始終秉持著一種積極進取的精神，不斷探索眼前的下一個挑戰：研究的下一步方向是什么？如何籌集資金購買更強大的計算機？等等。我們率先開展了使人工智能安全可靠且切實可行的技術工作，這種精神一直延續至今。

2017 年，我們取得了一些奠基性的成果：Dota 1v1 的實驗結果，將強化學習推向了新的規模；無監督情感神經元實驗，證明語言模型能夠清晰地學習語義，而不僅僅是語法；基于人類偏好的強化學習成果，展示了將人工智能與人類價值觀相契合的初步途徑。當時，創新遠未結束，但我們深知，需要借助強大的計算能力來擴展這些成果。

我們堅持不懈，不斷改進技術，并在三年前推出了 ChatGPT。世界為之矚目，而 GPT-4 的發布更是引起了廣泛關注；突然之間，通用人工智能（AGI）不再是天方夜譚。過去的三年極其緊張，壓力巨大，責任重大；這項技術以前所未有的規模和速度融入了世界。這需要極其高超的執行力，我們必須迅速培養新的能力來應對。在如此短的時間內從零發展成為一家龐大的公司絕非易事，我們每周都要做出數百個決策。我為團隊做出的眾多正確決策感到自豪，而那些錯誤決策大多是我的責任。

我們不得不做出一些新的決策；例如，在思考如何讓 AI 最大限度地造福世界時，我們制定了一項迭代部署策略，將早期版本的技術成功推向市場，讓人們形成認知，社會與技術共同演進。這在當時頗具爭議，但我認為這是我們做出的最明智的決策之一，如今已成為行業標準。

OpenAI 成立十年以來，我們擁有的 AI 能夠在最艱難的智力競賽中勝過我們大多數最聰明的人。

世界已經利用這項技術創造了非凡的成就，我們期待明年還能看到更多非凡的成果。迄今為止，世界在減輕潛在的負面影響方面也做得不錯，我們需要繼續努力，保持這種勢頭。

我從未像現在這樣對我們的研發和產品路線圖，以及實現我們使命的整體方向感到如此樂觀。我相信，再過十年，我們幾乎肯定能夠打造出超級智能。我預感未來會有些奇特；在某種程度上，日常生活和我們最關心的事情幾乎不會發生太大變化，而且我相信，我們會繼續更加關注其他人所做的事情，而不是機器所做的事情。但在另一方面，2035 年的人們將能夠做到我們現在難以想象的事情。

衷心感謝那些信任我們并使用我們的產品創造佳績的個人和公司。如果沒有他們的支持，我們或許還只是實驗室里的一項技術；我們的用戶和客戶在很多情況下都對我們寄予了過高的期望，沒有他們的支持，我們的工作不可能達到今天的成就。

我們的使命是確保 AGI 造福全人類。面前還有很多工作要做，但我為團隊目前的發展方向感到非常自豪。我們已經看到人們利用這項技術所取得的巨大成果，而且我們知道，未來幾年還將有更多成果涌現。

參考內容：

https://openai.com/index/introducing-gpt-5-2/

https://openai.com/index/ten-years/

GPT 5.2 System Card：

https://cdn.openai.com/pdf/3a4153c8-c748-4b71-8e31-aecbde944f8d/oai_5_2_system-card.pdf