XNews

OpenAI推出GPT-5.2(基准测试与能力)

OpenAI推出GPT-5.2(基准测试与能力)

OpenAI发布了GPT-5.2,这是一个针对专业知识工作的多版本模型套件。 - 发布:GPT-5.2宣布推出三个版本:Instant、Thinking、Pro。 - 基准测试:SWE-Bench 55.6%(从50.8%提升)。 - 基准测试:GPQA Diamond 92.4%(从88.1%提升)。 - 基准测试:CharXiv科学推理82.1%(从67.0%提升)。 - 基准测试:FrontierMath整体40.3%(从31.0%提升);Tier 4为14.6%。 - 基准测试:AIME 2025完美100%(从94.0%提升)。 - 基准测试:ARC-AGI1 86.2%(从72.8%提升)。 - 基准测试:ARC-AGI2 52.9%(从17.6%提升)。 - GDPval:知识工作任务70.9%(从38.8%提升),涵盖44个职业和1,320个任务。 - 长文本:在256k标记测试中接近100%的准确率。 - 定位:专注于“专业知识工作”和长程代理。 - 版本目的:Instant用于快速任务,Thinking用于深度多步骤推理,Pro用于最高计算使用案例。 - 产品策略:定价提高约40%;本周开始向付费用户推出。 - 竞争背景:被视为对Gemini 3 Pro和Claude Opus 4.5的回应;提到内部的“红色警报”努力。 - 工具:改进了工具调用和多步骤执行;在复杂项目上声称错误率比之前降低30%。 - 特点:企业推动、基础设施支出承诺,以及计划中的“成人模式”,将于明年第一季度推出年龄预测和成人模式。 - 语言质量:在样本输出中展示了高质量的文学/风格模仿。

Key insights

GPT-5.2作为针对知识工作的多版本套件推出

OpenAI宣布GPT-5.2以三种不同版本交付——Instant用于快速响应,Thinking用于深度多步骤推理,Pro用于最高计算研究用途。此次发布将GPT-5.2定位为一个专门的‘专家同事’,旨在专业知识工作上,从一般聊天的重点转向对长多步骤任务和复杂领域输出(如电子表格、财务模型和研究综合)的可靠性。公司优先考虑企业准备和货币化,本周向付费客户推出该模型,并将价格提高约40%。

基准测试结果显示科学与推理测试的大幅提升

报告显示GPT-5.2 Thinking的多个基准测试结果:SWE-Bench软件工程55.6%(从50.8%提升),GPQA Diamond 92.4%(从88.1%提升),CharXiv科学推理82.1%(从67.0%提升),FrontierMath整体40.3%(从31.0%提升),Tier 4为14.6%,AIME 2025完美100%(从94.0%提升),ARC-AGI1 86.2%(从72.8%提升)和ARC-AGI2 52.9%(从17.6%提升)。这些数据被视为相较于GPT-5.1的重大能力跃升的证据,并且在与Claude Opus 4.5和Gemini 3 Pro的竞争中取得了优势。

GDPval指标显示与人类知识工作者的更高平等

OpenAI引用了一个新的GDPval基准,涵盖44个职业的1,320个任务;GPT-5.2 Thinking得分70.9%,而之前约为38.8%。OpenAI将GDPval呈现为实际任务输出(如电子表格、幻灯片、日程)的衡量标准,并用它来论证GPT-5.2可以在大部分知识工作任务中与人类专家相匹配或超越。

强调长文本和数学性能

OpenAI报告在256k标记的长文本‘大海捞针’测试中接近100%的精确度,并强调在没有外部工具的情况下取得完美的AIME 2025结果。公司强调在Thinking版本中,长程一致性和高级数学/推理性能的提升是核心升级。

对谷歌和Anthropic的战略回应;内部红色警报动员

OpenAI将GPT-5.2框架视为在谷歌的Gemini 3和Anthropic发布的竞争压力下的恢复努力。Sam Altman早前宣布了‘红色警报’动员,指示资源加速ChatGPT的改进;OpenAI预计将在一月结束红色警报,并旨在重新获得市场动力。

包括企业功能、定价和安全控制

OpenAI强调企业采用:提高定价(约40%的增长),计划提供年龄预测系统以限制内容,计划在第一季度推出带有年龄验证的‘成人模式’,并承诺安全和知识产权保护。此次发布包括产品集成重点——改进工具调用、多步骤执行和企业效率声明(时间和成本节省)。

Source posts