GPT 5.2：基准测试、模型解析与真实世界表现

更新：自本文发布以来，OpenAI 已推出多款新模型。为保持最新进展，也请查看我们的 GPT-5.4、GPT-5.3-Codex 和 GPT-5.3-Instant 指南。

距离我们看到 GPT-5.1 发布仅过去一个月。但在 AI 的世界里，一个月已相当漫长。在此期间，Google 发布了 Gemini 3，在多数备受关注的基准测试上名列前茅；Anthropic 也发布了 Claude Opus 4.5，再次在软件工程榜单上夺冠。

OpenAI 渴望将自己定位为最能为企业创造价值的公司。但在关键榜单上失利后，它可能担心流失用户甚至企业客户。据报道，这种压力引发了“红色代码”，推动团队加速发布 GPT-5.2。

本文将帮助您理解 GPT-5.2 发布时宣布的全部内容，包括企业可从三款新模型中获得的收益。这些模型正向所有付费 ChatGPT 用户逐步推送（并已在 API 中提供）。您也可以查看我们的 ChatGPT Images 工具指南，以及两款较新的模型 GPT-5.3 Codex 和 GPT-5.2 Instant。

我们通过每周五免费通讯 The Median 为读者带来最新 AI 动态，精炼解读本周要闻。订阅即可每周用几分钟保持敏锐：

GPT-5.2 有何新变化？

GPT-5.2 在推理、记忆与工具使用方面带来明确而有针对性的改进。按照 OpenAI 的说法，这些提升将转化为更佳的企业工作流，并在工作中减少故障点。该系列中的三款模型各自采用不同路径来兑现这一价值。

GPT‑5.2 Instant

GPT-5.2 Instant 优先追求低时延与快速响应。其定位是获取信息、撰写与翻译等日常“主力机型”。这是大多数人默认会与之交互的模型，优势在于吞吐量而非深度。实际而言，当您需要快速答案或轻量自动化且不想为更重的推理付费时，它能补上空缺。

GPT‑5.2 Thinking

GPT-5.2 Thinking 融入了扩展推理能力，使模型能在给出回答前逐步推演复杂问题。

在 OpenAI 自有基准中，它在知识型工作、编码与长上下文任务上创下新高，尤其是在可调用电子表格与演示等工具时。

这是 OpenAI 打造的通用型知识工作引擎，当需要用更审慎的思考来提升准确性时，就该选它。对许多组织而言，它将是分析、多步骤工作流与代理型任务的首选。

GPT‑5.2 Pro

这是旗舰款，面向企业客户打造。

它也是该系列中最昂贵的选择，因为目标场景风险较高；在这类场景中，推理质量、事实准确性与抽象问题求解上的细微提升，足以证明更高的每 token 成本是值得的。

Pro 面向错误代价高且需要在超长上下文中保持连贯性的环境。它可用于决策支持系统、复杂规划，以及任何同等重视可靠性与原始能力的工作负载。

GPT-5.2 何时可用？

GPT-5.2 已开始逐步推送。OpenAI 于 2025 年 12 月 11 日正式发布该模型，付费 ChatGPT 套餐优先获得访问权限，随后在各地区与平台持续扩展。用户可在 ChatGPT 内直接访问三款 GPT-5.2 模型，开发者可通过 OpenAI API 的 Responses 与 Chat Completions 端点调用。

GPT-5.2 基准测试

在发布 GPT 5.1 时，因侧重用户体验，几乎未公布基准测试结果。因此，GPT 5.2 更强调结果导向，试图扭转这一局面，并不意外。

工作任务

GDPval 是此次发布中被重点强调的基准之一。但它仅在 2025 年 10 月初在 arxiv 上提出，重点强调它也反映了这次发布的取向。

GDPval 测试职场专业人士日常执行的任务，如制作报告和演示。题目来自对美国 GDP 贡献最高的九大行业中的 44 个职业，涵盖护士、数据科学家、大学教授等。任务需要真实的工作产出，如电子表格、会计分录、视频与演示文稿。

编码

此次发布中第二个被重点强调的基准是 SWE-Bench Pro，这是一个难度较高的软件工程评测，GPT-5.2 取得了 55.6% 的分数。SWE-Bench Pro 要求解决来自真实仓库的长程问题，例如需要在多个文件间进行修改。

您可能听说过更容易的 SWE-bench Verified。在该测试中，GPT 5.2 得分为 80%。作为对比，我们最近报道过 Claude Opus 4.5 在该测试上得分 80.9%，两者大致相当。

长上下文推理

GPT 5.2 在另一项名为 MRCR v2（多轮指代消解，第 2 版）的基准上表现出色，几乎拿到满分。OpenAI 希望我们据此理解为：我们可以用 GPT 5.2 处理长文档。

值得肯定的是，它在多达 256k tokens 的范围内几乎保持完美准确度。这大约相当于二十万字，接近一部长篇小说的长度。

GPT-5.2 示例：测试新能力

OpenAI 坦陈 GPT 5.2 在智能、长上下文理解、代理型工具调用与视觉方面有大幅改进，因此逐一评估这些方面是合理的。

长上下文理解

为测试 GPT-5.2 的长上下文理解，我上传了 J.M. Coetzee 的小说《耻》的在线版本。随后我要求模型在一段很长的文字中，指出一个微小且容易被忽略的细节。

我向 GPT-5.2 提出了这样一个问题：

What did David serve Melanie for supper in one of their early encounters?

GPT-5.2 找到了正确答案，尽管在我看来这像是大海捞针。那顿晚餐在书中只被提及过一次，对叙事并无实质影响。

这项测试让我看到，GPT-5.2 的检索并非基于模式猜测，而是能在长序列中进行真正的保留与定位。

这种保留能力很重要，因为真正的长上下文表现在于能在广阔文本中维持细粒度状态。如果一个模型能记住埋在 90 页叙事深处的一道转瞬即逝的晚餐菜谱，它就能跟踪代码库中的变量、合同里的法律条款，或 200 页报告中的财务细节。

代理型工具调用

测试 1

为测试 GPT-5.2 的代理能力，我给它一个需要导航与点击的任务：像一个自主的找房代理那样工作。对于想搬家却没空自己浏览租房网站的人来说，这很有帮助。

模型必须使用浏览器、应用筛选、点击进入房源、提取详情，并汇总成对比报告。

提示语的核心如下：

You are my autonomous apartment-hunting agent.

Find apartments for rent in Queens.
 
Open a rental site, apply a price and neighborhood filter, scroll through the results, 
click into each relevant listing, and extract structured details (price, address, 
beds/baths, square footage, amenities, pet policy, parking, fees, lease terms, and a 
short description of the layout/photos). 

Then assemble everything into a table, rank the units by overall value, and write a brief 
report naming the best-value pick, the cheapest acceptable unit, and the one with the 
best amenities. Save the table as a CSV in the VM and show the ranked table in chat.

该提示的设置旨在一次性测试长程推理、工具调用与 UI 交互。

GPT-5.2 自主导航至房源网站、设置筛选并处理结果。它点击进入单套房源，抽取结构化字段，自主选择了社区与价格带（我本可以自己指定，但我并不真的要搬家），随后汇总出一份小型的排名短清单。

我确信研究并不完美。从模型的轨迹中可见，有些网站阻止了抓取，但代理通过切换网站进行恢复，最终仍产出了可用的推荐集合。

我在最终表格中注意到一件事：模型没有给出真实 URL，而是提供了类似截图的引用。这是因为大多数租房网站会阻止自动化访问，而浏览工具也不允许提取或分享实际房源链接。遇到这种情况时，它只会在沙盒中插入指向所截屏幕的指针。这一点略显不便。

测试 2

我想看看在数据源远不那么整洁的领域，这些代理能力能延展到何种程度，因此在家谱研究上做了第二个实验。

我请 GPT-5.2 调查 Waples 家族成员是否出现在英格兰教区登记册中，以及是否与赫里福德郡存在任何历史或家谱联系。

GPT-5.2 采取了具体行动，例如访问免费家谱网站并逐页点击查找与下载记录。

模型将问题拆分为子任务，在 FreeBMD 与 Forebears 等资源上进行检索，甚至撰写了定向询问邮件，以追索尚未数字化的记录。

与此同时，我也了解到家谱研究这一领域存在硬性限制。许多关键来源，如教区登记册或呈文名册，只存在于档案馆或被限制的目录之后。FreeBMD 对下载设有 50 条记录上限，HARC 的目录没有会话 cookie 无法访问，而具有历史价值的文档往往需通过付费研究服务获取。

模型能识别这些壁垒并给出后续建议，但无法跨越它们。该测试未能产出很有用的结果，但并非模型之过。

所有这些都说明了为什么 OpenAI 专注于商业用例——因为机会在那儿。但这也提醒我们，仍有大量数据处于离线、碎片化、付费墙之后，或锁在真实的门后。

视觉 + 通用智能

最后的测试中，我上传了一道数独，作为对视觉与通用智能的考验。

数独本身并非重数学问题，因为其约束明确。但当题目以图片而非结构化文本呈现时，模型必须同时运用多项能力：读取棋盘、保留“给定数”，并运用逻辑求解。

can you fill out this sudoku for me

这张图片画得并不规整，但这正是测试的一部分：

GPT-5.2 给出了正确的棋盘解，但至少替换了一个不应被改动的给定数。可以说它“无意中作弊”了。

这种错误并非推理失败，更像是视觉与保真度的断链。模型要么误读了某个给定格，要么没有理解哪些是固定位置，或在将图像转换为内部网格时丢失了约束。

GPT-5.2 成本与 API 访问

上述测试展示了您在 ChatGPT 内可以完成的事情，但真正的灵活性在于迁移至 API：在那里您可以自行控制推理强度、token 预算与工具集成。

三款模型均已通过 OpenAI 的 Responses API 与 Chat Completions API 提供：

以下是价格：

• GPT-5.2 Thinking：基础 Thinking 模型每百万输入 tokens 收费 1.75 美元、每百万输出 tokens 收费 14 美元；对缓存输入提供 90% 折扣。
• GPT-5.2 Pro：顶级模型价格更高：输入 21 美元、输出 168 美元（均为每百万 tokens）。

两项面向高阶用户的新增功能：1xhigh1 推理强度设置，以及可延展长时工作流有效上下文窗口的 /compact 端点。

GPT-5.2 与竞品对比

来看一下 GPT-5.2 与近期其他发布的对比：

GPT-5.2 vs Gemini 3

Gemini 3 于 11 月中发布，在许多最受关注的基准测试上表现强势。它在 Humanity's Last Exam 上居首，也在 GPQA Diamond 上略胜 GPT-5.2 Pro 一筹（93.8% vs. 93.2%）。

Gemini 表现的大幅提升，很可能源于 Mixture-of-Experts 实现与训练基础设施的改进。Gemini 3 采用 token 级稀疏路由，并在 Google 的定制 TPU 基础设施上训练。当前 GPT-5.2 的优势体现在 GDPval 等职业工作基准与企业工具调用评测上——这正是 OpenAI 明显倾注精力的方向。

GPT-5.2 vs Claude Opus 4.5

Claude Opus 4.5 于 11 月下旬发布，走的是不同路径。Anthropic 聚焦所谓的“混合推理”——将扩展思考与更强基线智能结合——其成果是在软件工程与开放式任务上表现出色。在 SWE-bench Verified 上，Opus 4.5 得分 80.9%，略高于 GPT-5.2 的 80%。

两者风格也有差异：Opus 4.5 倾向更长、更审慎的回答；而 GPT-5.2 Thinking 更强调工具使用与结构化输出，如电子表格与演示。对于编码代理与复杂重构，它们几乎不相上下；在涉及幻灯片与报告的企业工作流中，OpenAI 押注 GPT-5.2 更具优势。

结语

外界对 GPT 基准成绩高度关注，OpenAI 承受的交付压力可想而知。一个月前，GPT 5.1 的发布被 Gemini 3 盖过风头。如今 GPT 5.2 发布，在 GPQA 上略逊 Gemini 3、在 SWE-Bench Verified 上又略逊 Claude Opus 4.5，这对团队而言想必颇为沮丧。

OpenAI 转而强调在 GDPval 与 SWE-Bench Pro 上的高表现，但尤其是前者，相较于更能登上头条的行业标准而言，仍相当小众。或许 OpenAI 正在试图讲述一个胜利的故事，同时避开它目前落后的榜单。

不过竞赛非常胶着，这些公司仍有很大施展空间。我们将重点关注的一点是新模型在即将到来的 ARC-AGI-3 基准（开发中）上的表现。