機器之心報道

機器之心編輯部

谷歌的領先優勢，只保持了不到一個月。

今天是 OpenAI 的十周年紀念日，十周年之際，來點大的。

文中視頻鏈接：https://mp.weixin.qq.com/s/b_1UR_AksY4_1Osti97RmA

在「紅色警報」后，OpenAI 在北京時間本周五拿出了最新的頂級模型 GPT-5.2 系列 —— 迄今為止在專業知識工作上最強大的模型系列。

簡而言之，OpenAI 本次推出：

GPT-5.2 Instant，為日常工作與學習而打造：

與 GPT-5.1 一樣溫暖、對話自然更清晰的講解，把關鍵信息提前呈現改進的操作指南與分步驟講解更強的技術寫作與翻譯能力更好地支持學習與職業規劃

GPT-5.2 Thinking，為專業級工作全面提升標準：

業界最先進的長上下文推理能力在電子表格的生成、分析與排版方面取得重大提升在演示文稿制作方面已有初步突破

GPT-5.2 Pro，在面對困難問題時最聰明、最值得信賴的模型：

在編程等復雜領域表現更強最適合幫助并加速科學研究的模型

GPT-5.2 的設計目標，就是為人們創造更多經濟價值：它在制作電子表格、構建演示文稿、編寫代碼、理解圖像、處理超長上下文、使用工具，以及執行復雜的多步驟項目方面都有顯著提升。

真正的生產力不是空口無憑，讓我們來看看數據，GPT-5.2 到底有多強。

在如圖所示的眾多基準測試中，GPT-5.2 均刷新了最新的 SOTA 水平。

你可以注意到，AIME 2025（數學）的分數是 100%，之前 Gemini 3 Pro 的分數是 95%；ARC-AGI-2（抽象推理）的分數是 52.9%，對比 Gemini 3 Pro 是 31.1 %；此外 SWE-bench pro（編碼）的分數是 55.6%，對比 Gemini 3 Pro 是 43.3 %。

GPT-5.2 在 GDPval（知識工作）基準上的分數為 74.1%，OpenAI 聲稱這是 AI 模型首次達到了「人類專家水平」。

總體來看，GPT-5.2 在通用智能、長上下文理解、自主式工具調用以及視覺能力方面均帶來了顯著提升，使其比以往任何模型都更擅長端到端地完成復雜的真實世界任務。

山姆?奧特曼表示，GPT-5.2 是 OpenAI 很長一段時間以來最大的一次升級。

真正的生產力

GPT-5.2 Thinking 是迄今為止最適合真實世界專業場景的模型。在 GDPval—— 一個覆蓋 44 個職業、針對明確知識工作任務的評估體系中，GPT-5.2 Thinking 刷新了 SOTA 成績，并成為 OpenAI 首個整體表現達到或超過人類專家水平的模型。

根據專業評審的判斷，在 GDPval 的知識工作任務對比中，GPT-5.2 Thinking 在 70.9% 的對比中擊敗或與頂尖行業專家持平。這些任務包括制作演示文稿、電子表格以及其他專業產出物。

在執行 GDPval 任務時，GPT-5.2 Thinking 生成輸出的速度超過專家 11 倍以上，成本卻低于 1%。這表明，在配合人工監督時，GPT-5.2 能顯著輔助專業工作。

速度和成本估算基于歷史數據；ChatGPT 中的實際速度可能有所差異。

在 GDPval 中，模型需要完成覆蓋美國 GDP 貢獻度最高的 9 大行業中 44 個職業的、明確規定的知識工作任務。這些任務要求生成真實的工作產出，例如：銷售演示文稿、會計報表 / 電子表格、急診排班表、制造流程圖，甚至是短視頻等。在 ChatGPT 中，GPT-5.2 Thinking 配備了 GPT-5 Thinking 所不具備的新工具。

在評審一份表現尤其出色的輸出時，一位 GDPval 評委評論道：

「這是一次令人興奮且明顯的質量飛躍……[它] 看起來就像是由一家專業公司團隊完成的，兩個交付物的版式設計和建議都出乎意料地優秀，不過其中一個仍有一些小錯誤需要修正。」

此外，在 OpenAI 內部用于測試初級投行分析師能力的電子表格建模基準中（例如：為一家財富 500 強企業構建包含三張財務報表的模型，并具備正確格式和引用；或為私有化交易構建杠桿收購模型），GPT-5.2 Thinking 的任務平均得分比 GPT-5.1 提升了 9.3%，從 59.1% 上升到 68.4%。

對比顯示，GPT-5.2 Thinking 在生成電子表格與演示文稿時，在專業度與排版質量上都有顯著提升：

prompt: Create a workforce planning model: headcount, hiring plan, attrition, and budget impact. Include engineering, marketing, legal, and sales departments.

5.1 錯誤地計算了種子輪、A 輪和 B 輪的清算優先權，并且將這些行的大部分留空，導致最終的股權分配計算結果不正確。它還在表頭行中錯誤地插入了公式。5.2 則完整且準確地完成了所有計算，并以可審計的方式呈現結果。

要在 ChatGPT 中使用新的電子表格和演示文稿生成功能，您需要使用 Plus、Pro、Business 或 Enterprise 方案，并選擇 GPT-5.2 Thinking 或 GPT-5.2 Pro。復雜內容的生成可能需要數分鐘時間。

新的編碼高峰

GPT-5.2 Thinking 在 SWE-Bench Pro 上取得 55.6% 的最新 SOTA 成績。

SWE-Bench Pro 是一個嚴格評估真實世界軟件工程能力的基準。與只測試 Python 的 SWE-bench Verified 不同，SWE-Bench Pro 涵蓋四種編程語言，并設計得更具抗污染性、挑戰性、多樣性和工業相關性。

在 SWE-Bench Pro 中，模型會獲得一個代碼倉庫，并必須生成補丁（patch）來解決一個真實的軟件工程任務。

在 SWE-bench Verified 上，GPT-5.2 Thinking 取得了 80% 的新的最高分。

對于日常專業使用來說，這意味著模型在以下方面更加可靠：調試生產環境代碼、實現功能請求、重構大型代碼庫，以及以更少人工干預的方式完成端到端修復。

GPT-5.2 Thinking 在前端工程能力上也優于 GPT-5.1 Thinking。早期測試者發現，它在前端開發以及復雜或非常規的 UI 設計（尤其是包含 3D 元素 的界面）方面的能力顯著增強，使其成為全棧工程師的強大日常助手。

以下是它根據單條提示詞即可生成的部分示例：

新的幻覺低谷

GPT-5.2 Thinking 的幻覺率顯著低于 GPT-5.1 Thinking。

在一組來自 ChatGPT 的去標識化真實用戶查詢上，含錯誤的回答相對減少了 30%

對于專業用戶而言，這意味著在進行研究、寫作、分析和決策支持時，模型犯錯更少，從而讓日常知識工作更加可靠穩健。

推理力度被設置為可用的最高級別，并啟用了搜索工具。錯誤由其他模型檢測，而這些模型本身也可能會出錯。在主張級別（claim-level）的錯誤率遠低于回答級別（response-level）的錯誤率，因為大多數回答都包含多個獨立主張。

擺脫上下文限制

GPT-5.2 Thinking 在長上下文推理方面達到了新的業界最先進水平，在 OpenAI MRCRv2 上取得領先表現 —— 這是一個用于測試模型整合長文檔中分散信息能力的評估基準。在真實世界任務（如深度文檔分析）中，當相關信息分布在數十萬 token 中時，GPT-5.2 Thinking 的準確性顯著優于 GPT-5.1 Thinking。

特別值得注意的是，GPT-5.2 Thinking 是 OpenAI 首個在 4-needle MRCR 變體（長度可達 256k tokens）上達到接近 100% 準確率的模型。

從實際應用來看，這意味著專業人士可以使用 GPT-5.2 來處理超長文檔 —— 例如報告、合同、科研論文、訪談記錄以及多文件項目 —— 同時在數十萬 token 的跨段信息中保持連貫性和準確性。這讓 GPT-5.2 尤其適合深度分析、綜合推理以及復雜的多來源工作流。

在 OpenAI-MRCR v2（多輪共指消解）評測中，會將多個相同的「針」（needle）式用戶請求插入到由大量類似請求與回復構成的長「草堆」（haystacks）中，然后要求模型復現第 n 個針對應的回答。Mean match ratio（平均匹配率） 用于衡量模型回答與正確答案之間的平均字符串匹配程度。圖中 256k 最大輸入 token 的點代表對 128k–256k token 輸入范圍的平均表現，以此類推。其中 256k 表示 256 × 1,024 = 262,144 token。推理力度被設置為可用的最高級別。

對于那些需要在最大上下文窗口之外繼續推理的任務，GPT-5.2 Thinking 兼容我們新的 Responses /compact 端點，它能夠擴展模型的有效上下文窗口。

這使得 GPT-5.2 Thinking 可以處理更多依賴工具、運行時間較長的工作流，而不會受到上下文長度的限制。

精細的視覺理解

OpenAI 表示：「GPT-5.2 Thinking 是我們要目前最強的視覺模型，在圖表推理和軟件界面理解方面的錯誤率幾乎降低了一半。」

對于日常的專業應用而言，這意味著該模型能夠更準確地解讀儀表盤、產品截屏、技術圖表和視覺報告，從而為金融、運營、工程、設計以及客戶支持等以視覺信息為核心的工作流提供強力支持。

在 CharXiv Reasoning 中，模型需要回答關于科學論文中視覺圖表的問題。測試中啟用了 Python 工具，并將推理強度（reasoning effort）設為最大。

在 ScreenSpot-Pro 中，模型必須對來自各種專業環境的高分辨率圖形用戶界面（GUI）截圖進行推理。測試中啟用了 Python 工具，并將推理強度設為最大。如果不使用 Python 工具，得分會低得多。OpenAI 建議在此類視覺任務上啟用 Python 工具。

與之前的模型相比，GPT-5.2 Thinking 對圖像中各元素的位置關系理解得更加透徹，這對于「相對布局」在解決問題中起關鍵作用的任務尤為重要。

在下方的示例中，OpenAI 要求模型識別輸入圖像（本例中為主板）中的組件，并返回帶有大致邊界框的標簽。即使在低質量圖像上，GPT-5.2 也能識別出主要區域，并放置有時能與每個組件真實位置相匹配的框；而 GPT-5.1 僅標記了少數幾個部分，且對其空間排列的理解要弱得多。

很明顯，兩個模型都存在錯誤，但 GPT-5.2 展示出了對圖像更好的理解力。

可靠的工具調用

GPT-5.2 Thinking 在 Tau2-bench Telecom 上取得了 98.7% 的新 SOTA 成績，展示了其在長鏈路、多輪任務中可靠使用工具的能力。

對于延遲敏感的用例，GPT-5.2 Thinking 在 reasoning.effort='none'（不進行額外推理思考）模式下的表現也要好得多，大幅優于 GPT-5.1 和 GPT-4.1。

在 τ2-bench 中，模型需要使用工具與模擬用戶進行多輪交互，以完成客戶支持任務。對于電信領域，OpenAI 在系統提示詞中包含了一條簡短且通用的指導說明以提升性能。由于航空子集的基準真實標簽評分質量較低，OpenAI 將其排除在外。

對于專業人士來說，這可以轉化為更強大的端到端工作流 —— 例如解決客戶支持案例、從多個系統提取數據、運行分析以及生成最終輸出，且步驟之間的斷裂或阻滯更少。

例如，當詢問一個需要多步解決的復雜客服問題時，模型可以更有效地協調跨多個智能體的完整工作流。

在下面的案例中，一位旅客報告了航班延誤、錯過了轉機、需要在紐約過夜以及醫療座位需求。GPT-5.2 管理了整個任務鏈（重新預訂、特殊協助座位和賠償），提供了比 GPT-5.1 更完整的結果。

「我從巴黎到紐約的航班延誤了，導致我錯過了去奧斯汀的轉機。我的托運行李也不見了，我需要在紐約過夜。此外，因為醫療原因我還需要一個特殊的前排座位。你能幫我嗎？」

探索科學與數學邊界

OpenAI 表示其對 AI 的愿景之一，是希望它能加速科學研究，造福每一個人。為此，OpenAI 一直與科學家合作并傾聽他們的意見，探索 AI 如何能加速他們的工作。

上個月，OpenAI 在論文《Early experiments in accelerating science with GPT-5》中分享了一些早期的合作實驗。

OpenAI 表示：「我們相信 GPT-5.2 Pro 和 GPT-5.2 Thinking 是目前世界上輔助和加速科學家工作的最佳模型。」

在 GPQA Diamond（一個研究生級別的「防谷歌搜索」問答基準測試）上，GPT-5.2 Pro 達到了 93.2%，GPT-5.2 Thinking 緊隨其后，達到了 92.4%。

在 GPQA Diamond 中，模型需要回答關于物理、化學和生物的多項選擇題。測試中未啟用工具，并將推理強度設為最大。

在 FrontierMath (Tier 1–3) 這一專家級數學評估中，GPT-5.2 Thinking 創下了新的 SOTA，解決了 40.3% 的問題。

在 FrontierMath 中，模型解決專家級數學問題。測試中啟用了 Python 工具，并將推理強度設為最大。

OpenAI 表示：「我們開始看到 AI 模型以切實可見的方式有意義地加速數學和科學的進步。例如，在最近使用 GPT-5.2 Pro 的一項工作中，研究人員探索了統計學習理論中的一個開放性問題。在一個狹窄且定義明確的設定中，模型提出了一個證明，隨后該證明被作者驗證并由外部專家審查，這生動地說明了前沿模型如何在密切的人類監督下輔助數學研究。」

通用推理 ARC-AGI 2

在 ARC-AGI-1 (Verified)（一個旨在衡量通用推理能力的基準測試）上，GPT-5.2 Pro 是首個突破 90% 門檻的模型。相比去年 o3-preview 達到的 87%，它不僅實現了性能提升，還將達成該性能的成本降低了約 390 倍。

在 ARC-AGI-2 (Verified) 上（該測試提高了難度并更好地隔離了流體推理能力（fluid reasoning）），GPT-5.2 Thinking 取得了思維鏈模型的新 SOTA，得分為 52.9%。GPT-5.2 Pro 的表現甚至更高，達到了 54.2%，進一步擴展了模型對新穎、抽象問題進行推理的能力。

在這些評估中的提升，反映了 GPT-5.2 更強的多步推理能力、更高的定量準確性，以及在處理復雜技術任務時更可靠的問題解決能力。

在 ChatGPT 中使用 GPT-5.2

OpenAI 表示：「在 ChatGPT 中，用戶應該會注意到 GPT-5.2 的日常使用體驗更佳 —— 它更有條理、更可靠，且對話體驗依然令人愉悅。」

該公司給 GPT-5.2 Instant 的定位是日常工作和學習的快速、強力助手。它延續了 GPT-5.1 Instant 引入的更溫暖的對話基調，并在信息搜尋、實操指南與分步教程、技術寫作以及翻譯方面有明顯改進。早期測試者特別指出，其解釋更加清晰，能夠將關鍵信息前置。

GPT-5.2 Thinking 專為深度工作設計，幫助用戶以更高的完成度處理更復雜的任務 —— 特別是在代碼編寫、長文檔總結、基于上傳文件的問答、逐步處理數學和邏輯問題，以及通過更清晰的結構和更實用的細節支持規劃與決策方面。

GPT-5.2 Pro 是 OpenAI 處理難題時最聰明、最值得信賴的選擇。對于那些值得等待的高質量回答，它表現最佳。早期測試顯示，其在編程等復雜領域的重大錯誤更少，表現更強。

安全

GPT-5.2 基于 OpenAI 在 GPT-5 中引入的「安全完成」研究，該研究旨在教會 AI 模型在確保安全的前提下，給出最有幫助的答案。

據說在此版本中，研究人員繼續致力于增強模型在敏感對話中的響應能力，顯著改進了模型對提示自殺或自殘跡象、心理健康困擾或對模型的情感依賴等問題的響應。與 GPT-5.1 和 GPT-5 Instant 及 Thinking 模型相比，這些針對性的干預措施顯著減少了 GPT-5.2 Instant 和 GPT-5.2 Thinking 模型的不良響應。

OpenAI 提到，GPT-5.2 能夠自動為 18 歲以下用戶應用內容保護，從而限制他們訪問敏感內容。

定價

ChatGPT 將于今日開始逐步推出 GPT-5.2（包括 Instant、Thinking 和 Pro 版本），首先面向付費用戶（Plus、Pro、Go、Business 和 Enterprise 版本）提供。為確保 ChatGPT 的流暢性和穩定性，GPT-5.2 將分階段部署，可能有人第一時間無法看到。在 ChatGPT 中，付費用戶仍可在三個月內繼續使用 GPT-5.1（舊版模式），之后 GPT-5.1 將逐步下線。

在 API 平臺上，GPT-5.2 Thinking 以 gpt-5.2 的名義提供，GPT-5.2 Instant 則以 gpt-5.2-chat-latest 的名稱提供。GPT-5.2 Pro 以 gpt-5.2-pro 的名稱提供。開發者現在可以在 GPT-5.2 Pro 中設置推理參數，并且 GPT-5.2 Pro 和 GPT-5.2 Thinking 均支持新的第五級推理難度 xhigh，適用于對質量要求極高的任務。

以下是百萬 token 的價格，OpenAI 稱，盡管 GPT-5.2 的單個 token 成本更高，但由于其更高的 token 效率，達到特定質量水平的總成本反而更低。

ChatGPT 的訂閱價格保持不變。

OpenAI 表示，目前沒有計劃在 API 中棄用 GPT-5.1、GPT-5 或 GPT-4.1。雖然 GPT-5.2 在 Codex 中開箱即用，但 OpenAI 還預計將在未來幾周內發布一個針對 Codex 優化的 GPT-5.2 版本。

GPT-5.2 是 OpenAI 與長期合作伙伴英偉達和 Microsoft 合作開發的。Azure 數據中心和英偉達 GPU（包括 H100、H200 和 GB200-NVL72）為 OpenAI 的大規模訓練基礎設施提供了支撐。

OpenAI 十周年

今天是 OpenAI 十歲生日，發布新模型的同時，創始人、CEO 山姆?奧特曼撰文說道：

OpenAI 取得的成就遠超我的想象；我們當初的目標是做一些瘋狂的、幾乎不可能的、前所未有的事情。從充滿不確定性的開端，克服重重困難，憑借持續不斷的努力，我們現在看來很有可能實現我們的使命。

十年前的今天，我們向世界宣布了我們的計劃，盡管我們當時并沒有正式啟動。又過了幾個星期，直到 2016 年 1 月初（才正式開始）。

從某種意義上說，十年是一段很長的時間，但就社會變革通常所需的時間而言，十年其實并不算長。雖然日常生活與十年前并沒有太大的不同，但我們今天所面臨的可能性空間，與我們當年十五個書呆子圍坐在一起，苦思冥想如何取得進步時所感受到的截然不同。

回看早期的照片，我首先注意到的是大家看起來都好年輕。但隨后，我又注意到大家那種異乎尋常的樂觀和快樂。那是一段瘋狂而又充滿樂趣的時光：盡管我們不被人理解，但我們卻有著堅定的信念，覺得這件事意義非凡，即使成功的機會渺茫也值得全力以赴；我們擁有才華橫溢的人，以及清晰的目標。

隨著我們取得一些成功（以及許多失敗），我們逐漸對現狀有了更清晰的認識。那時，要確定具體應該做什么并不容易，但我們建立了一種鼓勵探索的卓越文化。深度學習無疑是一項偉大的技術，但如果沒有在現實世界中積累應用經驗就貿然開發，似乎不太合適。我在此略過我們所做的一切（希望將來有人能寫成一部歷史著作），但我們始終秉持著一種積極進取的精神，不斷探索眼前的下一個挑戰：研究的下一步方向是什么？如何籌集資金購買更強大的計算機？等等。我們率先開展了使人工智能安全可靠且切實可行的技術工作，這種精神一直延續至今。

2017 年，我們取得了一些奠基性的成果：Dota 1v1 的實驗結果，將強化學習推向了新的規模；無監督情感神經元實驗，證明語言模型能夠清晰地學習語義，而不僅僅是語法；基于人類偏好的強化學習成果，展示了將人工智能與人類價值觀相契合的初步途徑。當時，創新遠未結束，但我們深知，需要借助強大的計算能力來擴展這些成果。

我們堅持不懈，不斷改進技術，并在三年前推出了 ChatGPT。世界為之矚目，而 GPT-4 的發布更是引起了廣泛關注；突然之間，通用人工智能（AGI）不再是天方夜譚。過去的三年極其緊張，壓力巨大，責任重大；這項技術以前所未有的規模和速度融入了世界。這需要極其高超的執行力，我們必須迅速培養新的能力來應對。在如此短的時間內從零發展成為一家龐大的公司絕非易事，我們每周都要做出數百個決策。我為團隊做出的眾多正確決策感到自豪，而那些錯誤決策大多是我的責任。

我們不得不做出一些新的決策；例如，在思考如何讓 AI 最大限度地造福世界時，我們制定了一項迭代部署策略，將早期版本的技術成功推向市場，讓人們形成認知，社會與技術共同演進。這在當時頗具爭議，但我認為這是我們做出的最明智的決策之一，如今已成為行業標準。

OpenAI 成立十年以來，我們擁有的 AI 能夠在最艱難的智力競賽中勝過我們大多數最聰明的人。

世界已經利用這項技術創造了非凡的成就，我們期待明年還能看到更多非凡的成果。迄今為止，世界在減輕潛在的負面影響方面也做得不錯，我們需要繼續努力，保持這種勢頭。

我從未像現在這樣對我們的研發和產品路線圖，以及實現我們使命的整體方向感到如此樂觀。我相信，再過十年，我們幾乎肯定能夠打造出超級智能。我預感未來會有些奇特；在某種程度上，日常生活和我們最關心的事情幾乎不會發生太大變化，而且我相信，我們會繼續更加關注其他人所做的事情，而不是機器所做的事情。但在另一方面，2035 年的人們將能夠做到我們現在難以想象的事情。

衷心感謝那些信任我們并使用我們的產品創造佳績的個人和公司。如果沒有他們的支持，我們或許還只是實驗室里的一項技術；我們的用戶和客戶在很多情況下都對我們寄予了過高的期望，沒有他們的支持，我們的工作不可能達到今天的成就。

我們的使命是確保 AGI 造福全人類。面前還有很多工作要做，但我為團隊目前的發展方向感到非常自豪。我們已經看到人們利用這項技術所取得的巨大成果，而且我們知道，未來幾年還將有更多成果涌現。

參考內容：

https://openai.com/index/introducing-gpt-5-2/

https://openai.com/index/ten-years/

GPT 5.2 System Card：

https://cdn.openai.com/pdf/3a4153c8-c748-4b71-8e31-aecbde944f8d/oai_5_2_system-card.pdf