OpenAI发布GPT-5.2及基准测试结果

OpenAI发布了GPT-5.2,强调专业知识工作和长期运行的代理。- GPT-5.2包括Instant、Thinking和Pro三种变体。- GPT-5.2 Thinking在基准测试中相较于5.1取得了显著提升。- 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整体:40.3%(从31.0%);四级:14.6%。- AIME 2025竞赛数学:100%(从94.0%)。- ARC-AGI 1:86.2%(从72.8%);ARC-AGI 2:52.9%(从17.6%)。- GDPval知识工作指标:70.9%(从38.8%)。- 256k令牌上下文测试接近完美的长期上下文准确性。- OpenAI描述了在发布前进行的“红色警报”内部推动。- GPT-5.2的推广将于本周开始,计划推出“成人模式”和年龄检测功能。
Key insights
GPT-5.2被框定为具有三种变体的工作级模型
OpenAI将GPT-5.2定位为从以聊天为中心的模型向“专业同事”能力的转变,发布了三种专业变体:Instant用于快速日常任务,Thinking用于深度多步骤推理和长期代理,Pro用于最高计算科学或研究任务。该公司强调了知识工作和长期周期代理的可靠性,而非以演示为导向的能力,旨在恢复与Gemini和Claude系列的竞争地位。
基准测试的改进显示推理和数学领域的大幅提升
报告的GPT-5.2 Thinking基准测试结果显示出相较于GPT-5.1的显著提升:SWE-Bench 55.6%(从50.8%),GPQA Diamond 92.4%(从88.1%),CharXiv 82.1%(从67.0%),FrontierMath 40.3%(从31.0%),AIME 2025的完美100%(从94.0%)。抽象推理得分大幅上升(ARC-AGI 1:86.2%从72.8%;ARC-AGI 2:52.9%从17.6%),表明多步骤和抽象问题解决能力的改善。
OpenAI引用GDPval指标并声称任务上高人类平行性
OpenAI推出GDPval作为知识工作的任务级基准,并报告GPT-5.2在任务中达到或超过人类专家表现的比例为70.9%,高于GPT-5的38.8%。该指标与声称GPT-5.2在关键评估中优于竞争对手的说法一起提出,旨在针对真实工作场景而非演示。
长期上下文和代理设计被强调为核心进展
据报道,GPT-5.2能够处理极长的上下文(256k令牌),并具有接近完美的检索准确性,明确优化用于长期运行的代理。OpenAI强调在多步骤工具和跨文档工作流程中的错误率降低,并描述了支持扩展推理链而不依赖外部工具的架构和训练工作。
发布时机、企业战略和政策特性宣布
OpenAI本周开始向付费用户推广GPT-5.2,并宣布进一步功能:用于限制响应的年龄检测软件,以及计划在下个季度推出的“成人模式”。公司领导提到在此次发布前曾发出“红色警报”紧急指令,以集中资源改善ChatGPT,并表示商业目标与企业客户相关。