GPT-5.2 发布｜信息全整理

meto

上周，Altman 发内部信说进入 Code Red，全力保 ChatGPT
刚刚，GPT-5.2 来了，包含三个版本

• • GPT-5.2 Instant：日常对话，快
  
• • GPT-5.2 Thinking：深度任务，代码、长文档、数学、规划
  
• • GPT-5.2 Pro：最强，适合难题，愿意等
  

模型肯定是更强的，比如在AIME 2025 中取得满分，在 ARC-AGI-2 上拿到了 52.9%（和 Gemini3 相当）
今天开始向付费用户推送，API 已上线，标准版比 GPT-5.1 贵 40%

GPT-5.2核心评测

如下图所示，是 GPT-5.2 的相关核心数据

GPT-5.2 Benchmark注意：

• • AIME 2025 满分（无工具）
  
• • GPT-5.2 Pro 在 ARC-AGI-1 上达到 90.5%，是第一个突破 90% 的模型
  
• • ARC-AGI-2 从 17.6% 到 52.9%，翻了三倍
  

处理真实工作

GDPval 是 OpenAI 新出的 benchmark
测的是 44 个职业的真实工作任务：
做 PPT、做表格、写分析报告
GPT-5.2 Thinking 在 70.9% 的任务上胜过或打平行业专家
GPT-5.2 Pro 更高，74.1%

GDPval 知识工作速度是人类专家的 11 倍，成本不到 1%
一个评审员的评价：
「看起来像是一个有员工的专业公司做的，布局和建议都很专业，虽然还有一些小错误需要修正」
在投行分析师的表格建模任务上
比如给 Fortune 500 公司做三表模型、做 LBO 模型
平均分从 59.1% 提升到 68.4%
官方放了几个对比
GPT-5.2 做的表格和 PPT 比 GPT-5.1 精细很多

Workforce Planner 对比，左边 GPT-5.1，右边 GPT-5.2要用这个功能，需要付费版（Plus、Pro、Business、Enterprise），选 GPT-5.2 Thinking 或 Pro
复杂任务可能要跑好几分钟
写代码

SWE-Bench Pro 是新的代码 benchmark
比 SWE-bench Verified 更难
测四种语言，不只是 Python，更接近真实软件工程
GPT-5.2 Thinking 55.6%，GPT-5.1 是 50.8%

SWE-Bench Pro前端能力也提升了，尤其是 3D 和复杂 UI
官方放了几个 demo，单 prompt 生成的

海浪模拟，单 prompt 生成对此，Windsurf 的 CEO 表示
「这是 GPT-5 以来 agentic coding 最大的跃升，版本号的小幅升级低估了智能的大幅提升。我们会把它设为 Windsurf 和 Devin 核心工作流的默认模型」
看图

视觉能力提升明显，错误率基本减半

CharXiv ReasoningCharXiv Reasoning：科学论文图表问答，88.7%，GPT-5.1 是 80.3%
ScreenSpot-Pro，GUI 截图理解，86.3%，GPT-5.1 是 64.2%
此外，一个很明显的区别是：空间位置理解更强了
官方放了个主板识别的对比：给一张低质量的主板图片，让模型标注各个组件的位置
GPT-5.1 只能标几个，位置也不太对

GPT-5.1 主板识别GPT-5.2 能准确标注各个组件，位置基本对

GPT-5.2 主板识别长文档

OpenAI MRCRv2，测的是长文档中多个信息点的整合能力
在文档里插入多个相同的「针/needl」，然后问模型第 n 个针的内容是什么
4 needle 变体，GPT-5.2 Thinking 在 256k token 长度接近 100%
GPT-5.1 在同样长度只有 30% 左右
这是第一个在 4-needle 变体上达到接近 100%（256k）的模型

长上下文 4 needles8 needle 更难，GPT-5.2 也有显著提升

长上下文 8 needlesAPI 还支持新的 /compact 端点，可以扩展有效上下文窗口，适合工具多、跑得久的任务

---

工具调用

Tau2-bench 测的是多轮对话中的工具使用，模拟客服场景
Telecom 领域，GPT-5.2 Thinking 98.7%，GPT-5.1 是 95.6%
Retail 领域，82.0%，GPT-5.1 是 77.9%

工具调用官方举了个例子
用户说：我从巴黎飞纽约的航班延误了，错过了转机去奥斯汀，行李也丢了，需要在纽约过夜，还有医疗原因需要前排座位
GPT-5.1 漏了好几步

GPT-5.1 工具调用GPT-5.2 一次性处理完：改签、特殊座位、赔偿，全部搞定

GPT-5.2 工具调用数学和科学

AIME 2025 100%，满分，无工具
HMMT 2025 年 2 月 99.4%，Pro 版 100%
GPQA Diamond 92.4%，Pro 版 93.2%
FrontierMath Tier 1-3 40.3%，Tier 4 14.6%
HLE（Humanity's Last Exam）34.5%（无工具），45.5%（有工具）

数学&科学ARC-AGI 是测抽象推理的
ARC-AGI-1，GPT-5.2 Thinking 86.2%，Pro 版 90.5%，第一个突破 90%
ARC-AGI-2 更难，GPT-5.2 Thinking 52.9%，Pro 版 54.2%
GPT-5.1 Thinking 在 ARC-AGI-2 上只有 17.6%

ARC-AGI幻觉

在 ChatGPT 真实用户查询上测试
有错误的回复比例从 8.8% 降到 6.2%,相对减少 30%

幻觉率价格

涨了
GPT-5.2 比 GPT-5.1 贵 40%；GPT-5.2 Pro 的价格，一如既往的贵到离谱

每百万 token 价格官方解释：虽然单价更高，但 token 效率更高，达到同样效果的总成本反而更低
ChatGPT 订阅价格不变
可用性

ChatGPT 今天开始向付费用户推送：Plus、Pro、Go、Business、Enterprise
如果还没看到，过几天再试
GPT-5.1 在 ChatGPT 中还会保留三个月，之后下线
API 已经上线：

• • gpt-5.2：Thinking 版
  
• • gpt-5.2-chat-latest：Instant 版
  
• • gpt-5.2-pro：Pro 版
  

在 PlayGround 里面，可以看到这些模型新增 xhigh reasoning effort，适合对质量要求最高的任务
GPT-5.1、GPT-5、GPT-4.1 在 API 中暂时不会下线
Codex 优化版即将推出
安全

延续了 GPT-5 的 safe completion 研究
在自杀、自残、心理健康、情感依赖等敏感对话上的表现改进了

安全性评估开始部署年龄预测模型，18 岁以下用户自动限制敏感内容
官方说过度拒绝的问题还在改进中
最后

总结下本次发布的内容

• • Code Red 一周后，GPT-5.2 发布，三个版本
  
• • 性能更强，价格更贵
  
• • 今天开始向付费用户推送，API 已上线
  

Formular

贵是真的贵