OpenAI GPT-5.2 发布及基准测试结果

OpenAI 宣布发布 GPT-5.2,专注于专业工作和长效代理。- GPT-5.2 提供三种版本:Instant、Thinking、Pro。- GPT-5.2 Thinking 在多个测试套件中取得了显著的基准提升。- SWE-Bench 软件工程:55.6%(从 50.8%)。- GPQA Diamond 科学:92.4%(从 88.1%)。- CharXiv 科学推理:82.1%(从 67.0%)。- FrontierMath 高级数学:总体 40.3%(从 31.0%),四级 14.6%。- AIME 2025 竞赛数学:100%(从 94.0%)。- ARC-AGI 1 抽象推理:86.2%(从 72.8%)。- ARC-AGI 2 抽象推理:52.9%(从 17.6%)。- GDPval 知识工作指标:70.9%(从 38.8%)。- ECI 排名:Gemini 3 Pro 在一份报告中得分 154,GPT-5.2 得分 152。- OpenAI 将 GPT-5.2 定位为专注于“专业知识工作”和长效代理。- Sam Altman 和公司消息提到内部的“红色警报”行动以恢复市场定位。- OpenAI 表示 GPT-5.2 将于本周向付费用户推出;提到了一种“成人模式”和年龄检测功能,成人模式计划于明年第一季度推出。- OpenAI 将 GPT-5.2 描述为针对电子表格、演示文稿、代码和长上下文推理进行优化。
Key insights
GPT-5.2 在推理和数学方面取得了显著的基准提升
GPT-5.2 Thinking 在多个命名评估中显示出相较于 GPT-5.1 的重大基准提升:SWE-Bench 上升至 55.6%(从 50.8%),GPQA Diamond 上升至 92.4%(从 88.1%),CharXiv 上升至 82.1%(从 67.0%),FrontierMath 总体上升至 40.3%(从 31.0%),四级为 14.6%,AIME 2025 达到完美的 100%(从 94.0%)。ARC-AGI 1 上升至 86.2%(从 72.8%),ARC-AGI 2 跃升至 52.9%(从 17.6%)。这些结果与 OpenAI 的评论一同发布,定位该模型用于专业任务和长效代理。
产品细分:Instant、Thinking、Pro 适用于不同工作负载
OpenAI 发布了三种 GPT-5.2 变体:GPT-5.2 Instant 适用于低延迟检索和轻任务;GPT-5.2 Thinking 专注于深度多步骤推理、电子表格和财务建模;GPT-5.2 Pro 作为最高计算选项,适用于复杂的科学和决策问题。公司将 Thinking 描述为核心更新,将 Pro 定位为高难度用例的解决方案。
GPT-5.2 在现实任务上声称获得了显著的生产力提升(GDPval 指标)
OpenAI 引入或引用 GDPval 作为知识工作表现的指标;GPT-5.2 在 GDPval 任务上 reportedly 达到 70.9%,相比之前的 GPT-5 提升至 38.8%,这一增幅表明在许多工作任务上与人类专家的任务水平达成了更高的平等或优越性。OpenAI 将 GPT-5.2 定位于企业生产力和专业工作流程(电子表格、演示文稿、代码、分析)。
与 Gemini 3 Pro 和 Claude Opus 4.5 的竞争定位
公开比较将 Gemini 3 Pro 和 Claude Opus 4.5 视为主要竞争对手。一项公开排名(ECI)显示 Gemini 3 Pro 得分 154,GPT-5.2 得分 152。报告称 GPT-5.2 在推理基准测试中大幅超越 GPT-5.1,并明确优化以对抗 Claude 的多步骤代理优势和 Gemini 的多模态优势。
推出、安全性和产品特性:成人模式和年龄检测
OpenAI 宣布 GPT-5.2 将于本周开始向付费用户推出。公司描述了计划在第一季度推出的即将到来的“成人模式”,并表示正在部署年龄预测功能,以限制未满 18 岁用户的响应。企业通讯提到了一种“红色警报”的运营姿态和基础设施投资承诺。
关注长上下文和代理可靠性
OpenAI 强调 GPT-5.2 在超长上下文上的近乎完美表现(256k 令牌的测试报告了非常高的检索准确性),并表示该版本旨在用于长时间运行的代理和多步骤工具使用,减少多步骤执行错误,旨在提高持续工作流程中的可靠性。