XNews

OpenAI、GPT-5.2およびベンチマーク結果を発表

OpenAI、GPT-5.2およびベンチマーク結果を発表

OpenAIはGPT-5.2を発表し、専門的な知識作業と長期的なエージェントに重点を置いています。 - GPT-5.2にはInstant、Thinking、Proの3つのバリアントが含まれています。 - GPT-5.2 Thinkingは5.1に対して大幅なベンチマークの向上を示しています。 - SWE-Benchソフトウェア工学: 55.6%(50.8%からの上昇)。 - GPQA Diamond科学: 92.4%(88.1%からの上昇)。 - CharXiv科学的推論: 82.1%(67.0%からの上昇)。 - FrontierMath全体: 40.3%(31.0%からの上昇);Tier 4: 14.6%。 - AIME 2025競技数学: 100%(94.0%からの上昇)。 - ARC-AGI 1: 86.2%(72.8%からの上昇);ARC-AGI 2: 52.9%(17.6%からの上昇)。 - GDPval知識作業メトリック: 70.9%(38.8%からの上昇)。 - 256kトークンのコンテキストテストはほぼ完璧な長コンテキスト精度を示します。 - OpenAIはリリース前に「Code Red」という内部のプッシュを説明しました。 - GPT-5.2の有料ユーザーへの展開は今週始まります;「成人モード」と年齢検出機能が計画されています。

Key insights

GPT-5.2は職場向けモデルとして3つのバリアントで構成

OpenAIはGPT-5.2をチャット中心のモデルから「専門的な同僚」能力への移行として位置付け、日常の迅速なタスク向けのInstant、深い多段階推論と長期エージェント向けのThinking、最高の計算能力を要する科学的または研究タスク向けのProの3つの専門バリアントを発表しました。同社はデモ指向の能力よりも知識作業と長期エージェントの信頼性を強調し、GeminiやClaudeラインに対する競争力を回復することを目指しています。

ベンチマークの改善が推論と数学における大幅な向上を示す

GPT-5.2 Thinkingの報告されたベンチマーク結果は、GPT-5.1に対して顕著な増加を示しています:SWE-Bench 55.6%(50.8%からの上昇)、GPQA Diamond 92.4%(88.1%からの上昇)、CharXiv 82.1%(67.0%からの上昇)、FrontierMath 40.3%(31.0%からの上昇)、AIME 2025では完璧な100%(94.0%からの上昇)を達成しました。抽象的推論のスコアも大幅に上昇しました(ARC-AGI 1: 86.2%(72.8%からの上昇);ARC-AGI 2: 52.9%(17.6%からの上昇))、これは多段階および抽象的な問題解決能力の向上を示しています。

OpenAIはGDPvalメトリックを引用し、タスクにおける高い人間のパリティを主張

OpenAIは知識作業のタスクレベルのベンチマークとしてGDPvalを導入し、GPT-5.2が人間の専門家のパフォーマンスと同等以上のタスクを70.9%達成したと報告しました。これはGPT-5の38.8%からの上昇です。このメトリックは、GPT-5.2が主要な評価で競合他社を上回り、デモではなく実際の職場タスクをターゲットに設計されているとする主張と共に提示されました。

長コンテキストとエージェント設計が主要な進展として強調される

GPT-5.2は非常に長いコンテキスト(256kトークン)をほぼ完璧な取得精度で処理できると報告されており、長期エージェント向けに明示的に最適化されています。OpenAIは、多段階ツールやクロスドキュメントワークフローにおけるエラー率の低下を強調し、外部ツールへの依存なしに拡張された推論チェーンをサポートするアーキテクチャとトレーニング作業を説明しました。

リリースのタイミング、企業戦略、ポリシー機能が発表される

OpenAIは今週、有料ユーザーへのGPT-5.2の展開を開始し、さらなる機能を発表しました:応答を制限するための年齢検出ソフトウェアと、次の四半期に計画されている「成人モード」です。同社のリーダーシップは、このリリースに先立ってChatGPTの改善にリソースを集中させるための以前の「Code Red」緊急指令を参照し、企業顧客に関連する商業目標を述べました。

Source posts