新智元報道

編輯：Aeneas 好困

GPT-5.2打贏Gemini 3.0 Pro，竟是靠高推理與海量Token「作弊」？網友的這個發現，在AI社區一石激起千層浪。更多網友七嘴八舌表示：GPT-5.2，并沒有那么好用！

太戲劇了。

OpenAI昨天剛放出大殺器GPT-5.2，今天就被曝疑似虛假營銷？

凌晨的科技圈，被一則爆料點燃——

一位用戶通過精細計算發現了「華點」：OpenAI在最新發布的基準測試中，可能通過調整模型「推理力度」參數，讓GPT-5.2在關鍵評測中使用了遠超對手的算力資源。

一句話總結就是：在調整token使用后，GPT-5.2和Gemini 3 Pro在ARC AGI 2上的表現基本相當。

具體來說，問題就出在這幾張圖上。

可以看到，OpenAI在基準測試中使用了額外的token，至少是Gemini 3.0 Pro的兩倍。

這就像兩個棋手對弈，一方被允許思考一個小時，另一方卻只有十分鐘，然后宣布前者獲勝。

在這種情況下，結果還公平嗎？

OpenAI勝過谷歌，其實靠作弊？

昨天的AI圈，都被GPT-5.2吊打Gemini 3.0 Pro的結論所震撼，而前者在ARC AGI 2的精彩表現，則尤為出圈，被AI社區大加贊賞。

但現在，這些結果很可能注了水？

比如在備受關注的ARC AGI 2測試中，GPT-5.2 xhigh版得分52.9%，每個任務消耗約13.5萬個token。

按API定價計算，每個任務僅算力成本就高達1.9美元。

相比之下，谷歌Gemini 3.0 Pro以6.7萬token取得相似成績，效率高出整整一倍。

如果我們將算力投入標準化，就會發現兩個模型的真實能力幾乎并駕齊驅。

如果這一假設普遍成立，那么GPT 5.2在使用token數超過Gemini 3的兩倍的情況下，仍然在HLE、MMMU-Pro、Video-MMMU和Frontier Math Tier 4中表現不佳。

在GPQA上，它們也才基本相當。而在Frontier Math Tier 3中，GPT 5.2 xhigh也就比Gemini 3 Pro高出2.7%的成績。

唯一例外的是GDPVal——一個由OpenAI自己創建的測試集。既當裁判又當運動員，結果的客觀性就有待考量了。

Ilya：我早說過了

其實，Ilya在之前的采訪中就已經說過，現在的大模型基本都是為了榜單定向優化的，榜單結果的水分都大得很。

業內人士都知道，如今AI基準測試的「軍備競賽」早已超出單純的技術競爭。各家廠商都在競相推出自己的評測標準，而這些標準往往有意無意地偏向自家模型。

這么干的也絕不僅僅是OpenAI一家。

在谷歌推出的FACTS Benchmark中，Gemini 2.5 Pro超越GPT-5的結果，也同樣得打個問號。

在SWE Bench（軟件工程評測）中，情況就更加復雜了。

不同模型在不同編程任務上各有所長，但沒有一個模型能在所有任務上全面領先。顯然，真實世界的問題遠比單一分數復雜。

所以，這次事件就反映出了AI評測的根本困境——

如果GPT-5.2僅僅是通過消耗更多算力獲得了性能提升，那真的能智能進步嗎？還是僅僅是「暴力計算」的勝利呢？

對于這次OpenAI的「虛假營銷」，網友們也是議論紛紛。

有人表示，如果用戶得到的「推理力度」參數是一樣的，也用的是同樣的token，那OpenAI就不算虛假營銷。

但如果測評的和用戶使用的根本不是同樣的版本，那就是欺騙了。

也有一些人是站在OpenAI這一邊的。

他們覺得，即使增加Gemini 3的token數量，它也未必就能趕超GPT-5.2，這一點來說，前者的確落后了。

也有人說，既然模型的價格都是公開的，那就不構成欺騙。

巧了不是，緊接著我們就發現，「貨不對板」這個問題的確有人提出來了。

在社區的另一篇帖子中，也有人指出了OpenAI的作弊問題——

早在GPT-5.1發布時，所有基準測試中用的都是高推理力度（high），然而plus用戶卻只能使用中等的版本。

而現在的5.2版本中，OpenAI增加了更高的「xhigh」推理力度，所以基準測試中顯示的性能，要遠遠超過ChatGPT付費用戶的實際體驗。

GPT-5.2的實際體驗如何

不看榜單，我們就來看看用戶的實際體驗究竟如何。

一位網友發帖稱，自己對GPT-5.2的第一印象并不是太好。

比如在檢查代碼時，它的幻覺現象非常嚴重。

網友本以為GPT-5.2會比5.1好得多，但實際用起來并非如此，它并不能理解他寫的函數代碼。

另一些網友反饋說，GPT-5.2似乎把成年人當學齡前兒童對待，感覺不像是升級，反而是倒退。

OpenAI的核心用戶群體，仍然最想念GPT-4o。

總之，GPT-5.2的實際體驗跟基準測試似乎相差很多，保不齊又是一個在紅色警報狀態下倉促拿出的產品。

被谷歌打得匆匆忙忙、連滾帶爬的OpenAI變成今天這個樣子，顯然不是一朝一夕的事。

OpenAI，變了

畢竟，當一家機構既是「研究AI的人」，又是「靠AI賣故事的人」，它還能誠實地面對那些刺耳的真相嗎？

根據Wired的最新調查，OpenAI內部正在經歷一場關于「真話權」的劇烈地震。

在面對「AI是否會搶走你的飯碗」這類致命問題時，OpenAI的策略已悄然轉變：閉上嘴，專心賣貨。

這種為了商業利益而犧牲學術獨立性的轉向，直接「氣跑」了自家的研究員。

「我們成了老板的喉舌」

回望2023年，OpenAI發布的重磅論文《GPTs Are GPTs》，直白地剖析了哪些行業最容易被AI顛覆，并在第二年登上了Science。

那時的他們，還敢于直視「技術性失業」的陰影。

論文地址：https://arxiv.org/abs/2303.10130

Science：https://www.science.org/doi/10.1126/science.adj0998

但到了今年9月，畫風突變。

在新任首席經濟學家Aaron Chatterji的帶領下，OpenAI發布了一份名為《全球用戶如何使用ChatGPT》的報告。

從學生寫作業到職場人做表，報告事無巨細地描繪了AI的美好圖景。

結論毫無懸念地一邊倒：AI是生產力的引擎，是經濟價值的創造者。

企業用戶被引述稱，ChatGPT每天能幫他們省下40到60分鐘。

報告地址：https://www.nber.org/papers/w34255

對此，一位前員工吐槽道：「這簡直是為『AI創造價值』這一命題量身定做的軟廣，充滿了粉飾太平的味道?！?/p>

離職信里的「真相」

矛盾的爆發點，是報告作者之一、OpenAI經濟研究骨干Tom Cunningham的離職。

過去一年，OpenAI對「負面研究」的審查愈發嚴苛。

那些探討AI如何替代入門級白領（如客服、行政）的課題，要么被要求「軟化措辭」，要么直接被束之高閣。

忍無可忍的Cunningham在Slack上留下了一封直白的告別信：

我們曾致力于嚴謹的學術研究，現在卻淪為了公司的宣傳部門。

他認為，團隊不僅失去了研究AI負面影響的自由，反而被迫為公司「貼金」。

Cunningham并非個例。

前政策研究主管Miles Brundage離職時直言，公司「太高調、限制太多」，讓他「無法發表真正重要的觀點」。

超級對齊團隊的William Saunders因不滿公司「只顧推新產品、無視用戶風險」而憤然出走。

前安全研究員Steven Adler更是公開炮轟ChatGPT可能誘發用戶的「精神危機和妄想」。

價值一萬億美元的「沉默」

面對Cunningham的離職，OpenAI高層上演了一出教科書般的危機公關。

首席戰略官Jason Kwon在備忘錄中回應道：

既然是我們把AI推向了世界，我們就得負責構建解決方案，而不是光盯著問題看。

翻譯一下就是：別再發論文論證AI會導致失業了，這不利于帶貨；多想想怎么夸我們的產品能提效吧。

OpenAI為什么要這么做？答案藏在賬本里。

如今的OpenAI早已不是當年的非營利實驗室，它正沖刺1萬億美元的驚人估值，并籌備著史上最大規模的IPO。

它拿了微軟幾百億美元；

它需要芯片大佬們再投1000億；

它承諾未來要付給微軟2500億美元買云服務。

在天文數字的利益面前，「誠實」成了最昂貴的奢侈品。

如果你正準備上市，正試圖說服全世界擁抱AI，你絕不希望自家的研究員跳出來說：「嘿，根據數據，這波AI可能會讓30%的白領失業?！?/p>

「歲月靜好」的另一邊

有趣的是，老對手Anthropic似乎拿到了完全相反的「劇本」。

他們的CEO Dario Amodei甚至公開「唱反調」，警告到2030年AI可能取代一半的入門級白領。

當然，這未必全是出于誠實——很多人解讀，這不過是Anthropic為了換取監管紅利而刻意販賣的「焦慮」。

但回看OpenAI，情況更為微妙。

如今掌管其經濟研究團隊的，是前克林頓顧問、有著「災難大師」之稱的頂級危機公關專家——Chris Lehane。

在這個精心修訂的新版本里，AI絕不可能是引發社會動蕩的「怪物」，它只會是幫你「每天省下40分鐘」的乖巧助手。

至于那些關于失業、動蕩和泡沫的尷尬真相？

噓，為了那1萬億的估值，請保持安靜。