GPT5.2 发布：屠榜？不，是 OpenAI 在补课

四个月前，GPT-5 发布时一堆人吐槽，跑分是高了，但聊天冷冰冰；一个月前，GPT-5.1 回应了这波差评，主打 " 更好聊、更好调 "，算是把人味儿找回来了。

结果还没暖热乎，Google 的 Gemini 3 就杀了过来，直接把 LMArena 榜单屠了个遍。紧接着 Anthropic 的 Claude Opus 4.5 也上线，在编程榜单上把 OpenAI 按在地上摩擦。

于是就有了昨天凌晨的 GPT-5.2。

这次发布的背景很微妙，就在几天前，有媒体爆出 Sam Altman 在内部发了一封 Code Red 邮件，要求全公司集中资源改进 ChatGPT。虽然官方说 GPT 5.2 不是专门为 Gemini 3 赶出来的，但 Code Red 和发布时间点都说明：Gemini 3 至少加快了 OpenAI 把这版推向用户的步伐。

换句话说，这次瞄准的不是 " 更好聊 "，而是 " 更能干活 "。

第一个在 " 真实工作 " 上打平人类专家的模型？

这次 OpenAI 主推的新基准测试叫 GDPval：让 AI 去做 44 种职业的真实工作任务，比如做 PPT、做表格、写分析报告。

成绩是这样的：

上一代 GPT-5 才 38.8%

Claude Opus 4.5 是 59.6%

Gemini 3 Pro 是 53.5%

更夸张的是效率：速度快 11 倍，成本不到 1%。

当然，GDPval 是 OpenAI 自己搞的基准，还没有被独立验证，所以这个打平人类专家的说法要打个问号。但即便打个折扣，从 38% 跳到 70%，这个提升幅度也很难忽视。

Anthropic 的 Claude 最近在这类任务上同样进步明显，但从 5.2 的发力方向来看，OpenAI 显然想在 "AI 替代知识工作 " 这条赛道上抢先卡位。

OpenAI 官方也放了一些工作中的案例，比如，同样是让模型做一个劳动力规划表格（包含员工人数、招聘计划、流失率和预算影响），5.1 输出的是一堆原始数据堆砌，5.2 则自动按部门分类、加上颜色标注和清晰的层级结构，看起来像是有人真的用心排过版。

编程能力也是 5.2 的重点宣传方向。

SWE-bench Pro：55.6%（5.1 是 50.8%，Gemini 3 Pro 是 43.3%，Claude Opus 4.5 是 52%）

SWE-bench Verified：80%（和 Claude Opus 4.5 的 80.9% 基本打平，这个榜已经快刷到极限了）

前端开发能力又上了一个台阶，特别是在 3D 场景渲染和复杂交互界面这块。Cognition、Warp、JetBrains、Augment Code 这些合作伙伴都表示，5.2 在交互式编程、代码审查和 bug 查找上都有可测量的提升。

最直观的是这个波浪模拟案例的对比，

GPT-5.2 Thinking：

Gemini 3 Pro：

更像数学家了

数学能力是这次升级的另一个重头戏。

几个关键数字：

FrontierMath（Tier 1-3）：40.3%，创下新的行业纪录，上一代 5.1 是 31%

AIME 2025：100%，满分。这是第一个在不使用工具的情况下刷满这个竞赛数学基准的模型

GPQA Diamond（博士级科学问答）：Thinking 版 92.4%，Pro 版 93.2%

但最让人印象深刻的，是 GPT-5.2 Pro 在一个真正的数学研究问题上的表现。

OpenAI 在博客里提到，研究人员用 GPT-5.2 Pro 探索了一个统计学习理论中的开放问题，这个问题最早是在 2019 年的一个数学会议上提出的。在一个特定的高斯设定下，模型提出了一个证明思路，随后被人类研究者验证并扩展。

这不是 AI 从零发现物理定律那种科幻场景，但确实是一个 AI 在人类监督下提供了非平凡的数学洞见，而且经受住了专家审查。5.1 没有被广泛报道做到过这一点。

用一位测试者的话说：5.1 像一个很强的数学家教和助手，5.2 开始有点 " 初级合作者 " 的意思了——尤其是配合代码工具使用的时候。

API 涨价：OpenAI 的小心思

5.2 的 API 涨价了。

输入输出的单价都上调了约 40%：$1.75/ 百万输入，$14/ 百万输出。Pro 版本更贵，分别是 $21 和 $168。

但如果花更少的 token 只能达到 " 同等质量 "，那升级的意义在哪儿？要是真的又好又省，直接说 " 更好更便宜 " 不就完了？

说白了，模型确实变强了，但 OpenAI 选择把效率提升的红利收进自己口袋，而不是让利给用户。

几个重点提升

除了上面这些亮点，5.2 还有几个实打实的提升：

错误率降低 30%

这一点其实很关键。很多人只盯着 " 智商 " 看，但实际用下来会发现，国产模型和海外头部模型之间，幻觉控制的差距往往比纯智力差距更影响体验。5.2 的 Thinking 版本比 5.1 的错误率降低了 30%，在日常决策、研究和写作场景下会更靠谱。

以前长上下文是个老大难问题，塞太多内容进去模型就开始健忘。5.2 在 256k token 级别的测试中表现稳定，基本能把关键信息都记住。像合同审核、文献梳理这种需要反复引用上文的场景，体验会好很多。Box 反馈说，5.2 从长文档中提取信息的速度快了 40%，推理准确率也提升了 40%。

图表理解、软件界面识别这块错误率砍了一半。在 CharXiv Reasoning（科学论文图表理解基准）上，5.2 Thinking 达到了 88.7%，比 5.1 提升了 8 个百分点以上。

拉远一点看，GPT-5.2 本质上是一次 " 补课 "。

从 8 月的 5.0 到 11 月的 5.1 再到 12 月的 5.2，四个月三个版本，这个节奏本身就说明问题：OpenAI 在被 Gemini 3 和 Claude Opus 4.5 逼着跑。结果就是 PT 5.2 在 benchmark 上把很多榜单拉了回来，但真正有意义的是，它在长时知识工作、复杂编码和 agent 工作流上的表现。

另外也有观点认为，这种紧急动员 + 小步快跑的节奏可能会成为常态，年底各家都可能还有新发布。好处是各家实验室会被倒逼着把模型做得更快、更便宜、更能变现；坏处是大家都盯着短期 benchmark 卷，真正需要长期投入的基础性突破可能会被挤压。

这次的社区的反馈也很多样，做正事的用户普遍觉得真香，长上下文、复杂推理确实更稳了；但陪聊党和角色扮演玩家吐槽 "5.2 冷冰冰的，像从好朋友变成了 HR"，人味儿又被收回去了，还有人吐槽说好的成人模式也遥遥无期。

总结一下，如果你是 ChatGPT Pro 用户，5.2 在需要深度分析、复杂推理的场景下值得一试——做 PPT、做表格、写报告、啃长文档，这些方面的进步是实打实的。

但如果你期待的是日常聊天体验的质变，可能要失望了。5.2 的真正价值，或许要等它接入 Codex 这类 agent 产品、开始真正替你跑腿干活的时候，才能完全释放出来。

屠榜不重要，能干活才重要。这一点，OpenAI 这次算是想明白了。