5.2
GPT-5.2发布：七成干赢行业专家的打工AI
2025年12月12日，今天凌晨2点OpenAI十周年这天，GPT-5.2终于发布了，我熬到早上6点盯着各路跑分和官方文档，就为了把它扒清楚。
在各种小道消息和预测之后，它来了。这是Gemini 3 Pro爆火、第一次让OpenAI失去领先优势、奥特曼在内部官宣红色警戒状态之后，他们掏出的第一款模型，也算十周年献礼。
OpenAI的原话是：We are introducing GPT-5.2, the most capable model series yet for professional knowledge work.（我们正式发布GPT-5.2，这是迄今为止在专业知识工作方面能力最强的一代模型系列。）专业知识工作，记住这个关键词，后面要考。
先看跑分，说实话有些跑分没有质的飞跃，有种数码厂开始挤牙膏的感觉。对比GPT-5.2、GPT-5.1、Claude Opus 4.5和Gemini 3 Pro，在软件工程（SWE-Bench Pro）、科学问题（GPQA Diamond）、数学竞赛（AIME 2025）这些传统评测集上，GPT-5.2确实又强了一些，回到第一的位置，全面领先；前端审美和3D元素上更牛，视觉理解也更强——比如让模型识别图像输入中的组件并返回带近似边界框的标签，即使在低质量图像上，它也能识别主要区域、把框放得大致匹配真实位置，而GPT-5.1只标注了几个部分，对空间排列理解不行。
这类提升对做前端、做设计工具的人来说是实打实的：模型终于知道一个按钮、一个卡片该长在哪儿，而不是把版面糊成一团。
但这些说实话也就那样，很难在体感上觉得多牛。就像芯片厂告诉你手机芯片性能又提升25%，你听完"哦确实强"，然后继续刷抖音和小红书。
真正让我觉得是这次最大亮点、必须单拎出来聊的，是两个评测集：ARC-AGI-2和GDPval。
先说ARC-AGI-2。过去的AI评测比如MMLU考的主要是知识，会问你"美国第一任总统是谁""光合作用的化学方程式是什么"。坦率讲，对一个读了半个互联网的AI来说这像开卷考试，它有很大概率不是真推理出来的，而是背出来的。于是问题来了：分不清AI是真的聪明，还是只是记性好。François Chollet——Keras之父——2019年在论文《On the Measure of Intelligence》里第一次提出ARC这个变态测试，全名Abstraction and Reasoning Corpus，抽象与推理语料库，跟知识储备一毛钱关系都没有，设计目标就是测通用智能：不看你在某道题上多熟练，而看你在没见过的新题上能不能自己推理出规则、举一反三。正式版已发展到第二代ARC-AGI-2，我翻了几道里面的典型题目，看一眼就明白它在考什么。
这种能力现在叫流体智力（Fluid Intelligence）：不依赖已有知识，在全新情境下进行逻辑推理、识别模式、解决问题。说白了就是你的悟性和开窍能力。这玩意儿对AI难于登天，因为它在互联网上找不到任何现成答案，必须当场理解、当场推理。很长一段时间里顶级AI得分低得可怜：ARC-AGI-2上之前GPT-5.1是17.6%，GPT-5.2直接飙到52.9%，翻了三倍，直接屠榜。而且效率还很高，基本在同成本区间做到了能力最高。真正的智力水平上，GPT-5.2确实达到了目前最优。
然后是第二个，也是我现在最关心、认为最重要的一个：GDPval。很多人没听说过，它是OpenAI自己两个半月前新出的，从名字就能看出端倪——GDP，生产总值。他们要用一个全新标准，衡量AI在真实世界中具有经济价值的任务上的表现。
过去我们说一个模型牛逼，是因为代码写得好、知识答得准、考试分高。这当然重要，但就像我常说的，这个世界不只有程序员和科学家，还有律师、设计师、市场经理、护士、建筑师、销售……无数专业知识工作者，他们的价值很难用一张考卷衡量。于是OpenAI在美国贡献GDP最高的9个行业里选了44个核心职业，找到平均有14年工作经验的资深专家，出了1320道专业知识任务，每项都基于真实工作成果。比如给律师的是一份真实合同草案加客户需求，让他审阅修改；给市场经理的是一堆产品资料和市场数据，让他写营销方案PPT；给制造工程师的是一张产品设计图，让他优化生产流程。这些任务不只有文字，还可能包含PDF、Excel表格、图片、PPT，是高度复杂的、多模态的、没有标准答案的真实工作。整套任务平均用时，人类专家要花7个小时，有些甚至一两周的活。
然后模型和人类的成果，由同领域另一批专家盲评，他们不知道谁是AI谁是人类，只需回答一个问题：你更愿意把哪份交给客户？结果，GPT-5.2 Thinking在这套GDPval上赢或打平行业专家的比例是70.9%，GPT-5.2 Pro是74.1%。注意，参照系不是普通实习生，而是行业专家——也就是说，在一个十几年经验的采购经理或审计师面前，GPT-5.2干出来的活儿有七成的时候比专家干得好，或者至少一样好。而GPT-5只有38.8%。我把两个数字并排记一下：GPT-5.2 Pro是74.1%，GPT-5是38.8%，一年多一点，几乎翻了一倍，这进步速度是有点快的，官方放的case对比也很直观。
当然，70%也意味着还有三成时候干不过专家，这话没错。但盲评的设计本来就是为了把"这是AI做的"这个偏见先拿掉——评委看不到署名、不知道来源，只能凭成果本身回答那一个问题。
我们过去的模型都把笔墨过分着重在编程开发上，我不是说编程不重要，它很重要很牛逼，但其他领域的工作同样该被重视。GDPval就是我认为最重要的一个指标。
这次GPT-5.2在上下文上也有大幅加强。用以前的大海捞针测试，在一个256K巨型文档里埋四根针让AI根据文档回答，GPT-5.2干到了离谱的100%，我印象中唯一一个能干到100%的；8根针时正确度会下降，但衰减已经比GPT-5.1牛逼太多。再加上最新的知识库截止日期：牛逼的知识工作处理+最新的知识库截止日期+更棒的智力+准确性超高的上下文，这简直就是真正的天选牛马搭子，对打工人的加持太强了，是真正奔着大众、奔着实用去的。
开放节奏是：今天给ChatGPT付费会员，明天给免费会员，会直接替代GPT-5.1，付费会员还能在老模型中存续3个月。可惜到我发文的凌晨6点，作为尊贵的200刀ChatGPT Pro会员，我还是没拿到GPT-5.2的体验资格。一些所谓GPT-5.2专用的文件精修，也只能等拿到实测以后，再写一篇GPT-5.2的打工合集。开发者已经可以通过API调用，价格上会比5.1贵一些。
整体上GPT-5.2的消息差不多就这样。而我一直期待的成人模式还是没来，奥特曼自己说12月上线，也不知道能不能等到。反正他说下周还会再送一些小的圣诞礼物，盲猜一手OpenAI家的生图模型或者成人模式——对一个创作者来说这两样真的很需要。
最后总结：GPT-5.2在我心中是一个合格的迭代，它没有像很多模型那样专注于纯粹的传统刷分，而是聚焦在广大白领打工人身上，帮普通打工人解决实际工作中的问题，这点很酷，非常刚需。但从路线上看，它还是被原生多模态的Gemini 3 Pro压了一头，12月大概率要发个生图模型，不知道对标Banana会不会有新的惊喜。总之保持期待——每一个新模型的发布，只要我觉得有意思，我一定会熬夜把第一时间的解读写出来。
先写到这儿，晚安。