OpenAI GPT-5.2 发布说明

OpenAI 已推出 GPT-5.2，这是一个专为专业知识工作设计的模型系列。此次发布包含三个变体——GPT-5.2 Instant、GPT-5.2 Thinking 和 GPT-5.2 Pro——它们共同提升了通用智能、长上下文理解、代理工具调用和视觉能力。

专业知识工作和 GDPval

GPT-5.2 Thinking 是首个在 GDPval 基准上达到或超过人类专家水平的 OpenAI 模型，该基准衡量 44 种职业的明确指定知识工作任务。它在 70.9% 的比较中击败或持平顶尖行业专业人士。

专业任务的关键性能指标包括：

效率： GPT-5.2 Thinking 的输出速度超过专业专家的 11 倍，成本低于专业专家的 1%。
金融建模： 在内部初级投资银行分析师电子表格任务中，GPT-5.2 Thinking 得分 68.4%，比 GPT-5.1 的 59.1% 提高了 9.3%。
交付物： 该模型在生成劳动力规划模型、电子表格和演示文稿方面表现出更高的复杂度。

GPT-5.2 Thinking 在软件工程领域树立了新的最先进水平，在 SWE-Bench Pro（测试四种语言）上得分 55.6%，在 SWE-bench Verified 上得分 80%。

编程中的技术改进包括：

端到端执行： 在调试生产代码、实施功能请求和重构大型代码库方面的可靠性得到提升。
前端开发： 在非传统 UI 工作和 3D 元素方面的能力得到增强。
代理集成： 包括 Windsurf 首席执行官 Jeff Wang 在内的早期测试者指出，GPT-5.2 在代理编程方面代表了重大飞跃，使得脆弱的多代理系统能够合并为单个“超级代理”。

GPT-5.2 Thinking 在最多 256k tokens 的上下文中的 4-needle MRCR 变体上达到接近 100% 的准确率，使其在深度文档分析方面相比 GPT-5.1 准确率显著提高。

视觉能力也得到了提升：

错误减少： 图表推理和软件界面理解的错误率降低了约一半。
空间感知： 模型对图像内相对布局和元素定位的理解更强，例如识别主板上的组件。
界面理解： 在 ScreenSpot-Pro 上，GPT-5.2 Thinking（启用 Python）得分 86.3%，而 GPT-5.1 Thinking 得分 64.2%。

GPT-5.2 Pro 和 Thinking 被定位为科学加速的领先模型：

GPQA Diamond： GPT-5.2 Pro 在此研究生水平科学基准上得分 93.2%，GPT-5.2 Thinking 得分 92.4%。
FrontierMath： GPT-5.2 Thinking 在 Tier 1–3 任务上树立了新的最先进水平，解决了 40.3% 的问题。
竞赛数学： Pro 和 Thinking 两个版本在 AIME 2025 上均达到 100%。
ARC-AGI： GPT-5.2 Pro 是首个在 ARC-AGI-1（已验证）上突破 90% 阈值的模型，得分为 90.5%。在更具挑战性的 ARC-AGI-2（已验证）上，GPT-5.2 Pro 达到 54.2%。

GPT-5.2 Thinking 在 Tau2-bench Telecom 上达到 98.7%，表明在多轮工具使用中具有高可靠性。在延迟敏感的情况下将 reasoning.effort='none' 设置时，其推理表现也优于 GPT-5.1 和 GPT-4.1。

关于事实性，在使用最大推理努力和搜索工具时，GPT-5.2 Thinking 的错误响应比 GPT-5.1 Thinking 少了 30%。

OpenAI 已部署三个不同版本的模型以满足不同用户需求：

GPT-5.2 可通过 Responses API 和 Chat Completions API 获得。

命名： gpt-5.2（Thinking），gpt-5.2-chat-latest（Instant），以及 gpt-5.2-pro（Pro）。
定价： 每 1M 输入 token 1.75 美元，每 1M 输出 token 14 美元（缓存输入享受 90% 折扣）。
推理努力： Pro 和 Thinking 模型现在支持第五级推理努力：xhigh。

GPT-5.2 实施了“安全完成”研究，以在有用性与安全边界之间取得平衡。对涉及心理健康困扰、自残和情感依赖的响应进行了改进。

此外，OpenAI 正在推出一个年龄预测模型，以自动对未满 18 岁的用户应用内容保护。在心理健康评估中，GPT-5.2 Thinking 在自残方面得分 0.963，在心理健康基准方面得分 0.915，而 GPT-5.1 Thinking 得分为 0.684。