OpenAI GPT-5.2 发布及基准测试结果

OpenAI 发布了 GPT-5.2 Thinking,并公布了基准测试的改进情况。
Key insights
GPT-5.2 Thinking 在多个领域的基准测试中取得显著提升
OpenAI 宣布 GPT-5.2 Thinking 在科学、数学、推理和软件基准测试中取得了显著的分数提升。报告显示,GPQA Diamond 达到 92.4%,CharXiv 达到 82.1%,FrontierMath 总体达到 40.3%,AIME 2025 取得满分。这次更新还报告 GDPval 在知识工作任务中上升至 70.9%,相比之前的版本有所提高。这些基准数据被强调为逻辑推理、长上下文处理和领域表现改善的证据。
OpenAI 将 GPT-5.2 打包为三种任务导向的版本
GPT-5.2 以三种不同的版本发布:Instant 适用于低延迟的日常任务,Thinking 作为核心版本,强调用于电子表格、财务模型和多步骤决策的深层逻辑链,Pro 则是针对最困难的科学或决策问题的最高计算选项。OpenAI 将 Thinking 描述为针对专业知识工作的设计,注重长时间的代理可靠性。
竞争格局:ECI 的小幅差距但各自优势不同
ECI 基准测试报告 Gemini 3 Pro 得分 154,GPT-5.2 得分 152,数值差距较小。多个帖子指出,赢家因领域而异:OpenAI 强调低延迟响应和推理;谷歌 Gemini 强调原生多模态和超长上下文处理;Anthropic/Claude 在某些编码和代理场景中仍具竞争力。这一报道将市场框架描绘为三方竞争,各自具有领域特定的优势。
AIME 完美分数提升数学推理基准
GPT-5.2 在 AIME 2025 竞赛数学基准中取得了 100% 的满分,较 GPT-5.1 的 94.0 有所提升。OpenAI 和评论员将此视为在竞赛级别的数值和符号推理方面的突破,指出一些成就是在没有外部工具的情况下实现的。
OpenAI 强调企业生产力和代理工作流程
OpenAI 描述 GPT-5.2 是为“真实的专业工作”而设计——包括表格、演示文稿、代码和分析——并明确表示目标是提高企业生产力。该公司将此次发布框架为在近期竞争对手发布后重新赢回市场地位的一部分,并作为企业货币化的输入。
发布时宣布安全、年龄控制和“成人模式”
OpenAI 表示正在部署年龄预测功能,以更好地管理对未满 18 岁用户的响应,并宣布计划在下个季度推出“成人模式”。该公司将这些控制措施与某些内容类型的负责任访问联系在一起。