跳到正文
OpenAI News·· 2025-12-11精選AI 評分71

OpenAI 發佈面向日常專業工作的 GPT-5.2

Introducing GPT-5.2

AI 導讀

OpenAI 發佈 GPT-5.2,稱其為面向日常專業工作的最先進前沿模型,具備最先進的推理、長上下文理解、編碼和視覺能力。GPT-5.2 可在 ChatGPT 和 OpenAI API 中使用,以支援更快、更可靠的智能體工作流。

推薦理由

原文交代 GPT-5.2 的能力定位及 ChatGPT、OpenAI API 的使用入口,讀者可瞭解它面向的專業工作與智能體工作流。

正文 · 繁體中文

我們現推出 GPT‑5.2,這是迄今最強大的專業知識工作模型系列。

目前,ChatGPT Enterprise 的一般用戶 表示⁠ AI 每天可為他們節省 40–60 分鐘;重度用戶則表示,每週可節省超過 10 小時。我們設計 GPT‑5.2,旨在為人們創造更多經濟價值;它更擅長製作試算表、製作簡報、撰寫程式碼、理解圖像、理解長篇上下文、使用工具,以及處理複雜的多步驟專案。

GPT‑5.2 在多項基準測試中創下新的頂尖水平,包括 GDPval;在這項評測中,模型於涵蓋 44 種職業、定義明確的知識工作任務上,表現超越業界專業人士。

GPT‑5.2 Thinking 

GPT‑5.1 Thinking

GDPval(勝出或平手)
知識工作任務

70.9%

38.8% (GPT‑5)

SWE-Bench Pro(公開版)
軟件工程

55.6%

50.8%

SWE-bench Verified
軟件工程

80.0%

76.3%

GPQA Diamond(不使用工具)
科學問題

92.4%

88.1%

CharXiv Reasoning(使用 Python)
科學圖表問題

88.7%

80.3%

AIME 2025(不使用工具)
數學競賽

100.0%

94.0%

FrontierMath(第 1–3 級)
高等數學

40.3%

31.0%

FrontierMath(第 4 級)
高等數學

14.6%

12.5%

ARC-AGI-1(已驗證)
抽象推理

86.2%

72.8%

ARC-AGI-2(已驗證)
抽象推理

52.9%

17.6%

GPT‑5.2 Instant、Thinking 和 Pro 今天起在 ChatGPT 開始推出,首先面向付費方案。在 API 中,所有開發者現已可使用這些模型。

整體而言,GPT‑5.2 在通用智能、長上下文理解、代理式工具呼叫和視覺能力方面都有顯著提升,因此在端到端執行複雜的現實任務時,比以往任何模型都更出色。

模型表現

具經濟價值的任務

GPT‑5.2 Thinking 是迄今最適合現實專業用途的模型。在 GDPval⁠(這項評測衡量涵蓋 44 種職業、定義明確的知識工作任務)中,GPT‑5.2 Thinking 創下新的頂尖成績,也是我們首個表現達到或超越人類專家水平的模型。具體而言,根據人類專家評審的判斷,GPT‑5.2 Thinking 在 GDPval 知識工作任務的比較中,有 70.9% 的表現勝過或追平業界頂尖專業人士。這些任務包括製作簡報、試算表及其他成果。GPT‑5.2 Thinking 為 GDPval 任務產出成果時,速度達專家級專業人士的 >11x,成本則僅為其 <1%;這意味著在配合人類監督時,GPT‑5.2 可協助處理專業工作。速度和成本估算以歷史指標為基礎;ChatGPT 中的速度可能有所不同。

在 GDPval 中,模型會嘗試完成來自對美國 GDP 貢獻最高的 9 個行業、涵蓋 44 種職業的定義明確知識工作任務。任務要求模型產出實際工作成果,例如銷售簡報、會計試算表、急症護理診所排班表、製造示意圖或短片。在 ChatGPT 中,GPT‑5.2 Thinking 配備了 GPT‑5 Thinking 沒有的新工具。

在審閱一項特別出色的成果時,一位 GDPval 評審表示:「輸出品質有令人振奮而明顯的躍進……[它] 看來是由一間有員工的專業公司完成,而且版面設計出乎意料地完善,亦就兩項交付成果提供了建議,不過其中一項仍有一些小錯誤需要修正。」

此外,在我們針對初級投資銀行分析師試算表建模任務所做的內部基準測試中——例如為 Fortune 500 企業建立格式和引註恰當的三張財務報表模型,或為企業私有化交易建立槓桿收購模型——GPT 5.2 Thinking 每項任務的平均得分比 GPT‑5.1 高出 9.3%,由 59.1% 升至 68.4%。

並排比較顯示,GPT‑5.2 Thinking 生成的試算表和簡報在精細程度及格式方面均有所提升:

如要在 ChatGPT 使用全新的試算表和簡報功能,你必須使用 Plus、Pro、Business 或 Enterprise 方案,並選擇 GPT‑5.2 Thinking 或 Pro。複雜的生成內容可能需要數分鐘才能完成。

編程

GPT‑5.2 Thinking 在 SWE-Bench Pro 上以 55.6% 創下全新最佳成績。這是一項嚴謹的真實世界軟件工程評測。SWE-Bench Pro 與只測試 Python 的 SWE-bench Verified 不同,前者測試四種語言,並致力於提高對資料污染的抵抗力、增加挑戰性和多樣性,以及提升與業界的相關性。

在 SWE-bench Verified 上(圖中未有顯示),GPT‑5.2 Thinking 的得分創下我們的新高,達 80%。

對日常專業工作而言,這代表模型能更可靠地除錯生產環境中的程式碼、實作功能需求、重構大型程式碼庫,並以較少人手介入,端到端完成修正並交付。

GPT‑5.2 Thinking 在前端軟件工程方面也比 GPT‑5.1 Thinking 出色。早期測試者發現,它在前端開發以及複雜或非傳統的 UI 工作上明顯更強,尤其是涉及 3D 元素的工作,令它成為各個技術層面的工程師日常工作的得力夥伴。看看它單憑一個提示便能生成的幾個例子:

早期測試者分享了他們對 GPT‑5.2 編碼能力的評價:

事實準確度

GPT‑5.2 Thinking 的幻覺比 GPT‑5.1 Thinking 少。在一組來自 ChatGPT、已去識別化的查詢中,出現錯誤的回答少了 30%rel,即較少見。對專業人士而言,這代表使用模型進行研究、寫作、分析及決策支援時,犯錯的情況會較少,令模型更可靠地支援日常知識工作。

推理力度設定為可用的最高級別,並啟用了搜尋工具。錯誤由其他模型偵測,而這些模型本身也可能出錯。由於大多數回答包含許多主張,按主張計算的錯誤率遠低於按回答計算的錯誤率。

與所有模型一樣,GPT‑5.2 Thinking 並非完美。遇到任何重要事項,都要再次核實它的答案。

長上下文

GPT‑5.2 Thinking 在長上下文推理方面創下新的標竿,在 OpenAI MRCRv2 評測中取得領先表現;該評測測試模型整合散佈於長篇文件各處資訊的能力。在深度文件分析等真實世界任務中,這類任務需要整合散佈在數十萬個 tokens 中的相關資訊,GPT‑5.2 Thinking 的準確度遠高於 GPT‑5.1 Thinking。尤其,這是我們見過首個在 4-needle MRCR 變體(測試範圍延伸至 256k tokens)中達到接近 100% 準確率的模型。

實際而言,這讓專業人士可以使用 GPT‑5.2 處理長篇文件,例如報告、合約、研究論文、逐字稿和多檔案專案,同時在數十萬個 tokens 的內容中保持連貫性和準確度。這使 GPT‑5.2 特別適合深入分析、綜合整理,以及複雜的多來源工作流程。

在 OpenAI-MRCR⁠⁠(在新視窗中開啟) v2(多輪共指消解),多個完全相同的「針」用戶請求會插入由類似請求和回應組成的長篇「乾草堆」中,並要求模型重現第 n 根針的回應。評測的第 2 版修正了 ~5% 的標準答案值有誤任務。平均匹配率衡量模型回應與正確答案之間的平均字串匹配率。輸入上限為 256k tokens 的數據點,代表輸入數量介乎 128k–256k tokens 的平均值,其他點依此類推。此處,256k 代表 256 * 1,024 = 262,144 tokens。推理力度設為可用的最高值。

對於需要超越最大上下文窗口進行推理的任務,GPT‑5.2 Thinking 可配合我們全新的 Responses /compact 端點使用;該端點可擴展模型的有效上下文窗口。這讓 GPT‑5.2 Thinking 能處理更依賴工具且執行時間更長的工作流程,否則這些流程會受上下文長度限制。詳情請參閱我們的 API 文件⁠(在新視窗中開啟)。

視覺

GPT‑5.2 Thinking 是我們至今最強的視覺模型,在圖表推理和軟件介面理解方面將錯誤率約減半。

在日常專業工作中,這代表模型能更準確地解讀儀表板、產品截圖、技術示意圖和視覺報告,支援金融、營運、工程、設計及客戶支援等以視覺資訊為核心的工作流程。

在 ScreenSpot-Pro⁠(在新視窗中開啟) 中,模型必須針對來自各類專業場景的高解像度圖形使用者介面截圖進行推理分析。Python 工具已啟用,推理力度亦設為最高。不使用 Python 工具時,分數會低得多。我們建議在這類視覺任務中啟用 Python 工具。

與之前的模型相比,GPT‑5.2 Thinking 更能掌握圖像中各元素的位置,因此在相對佈局對解題起關鍵作用的任務上表現更佳。在以下例子中,我們要求模型識別圖像輸入(此例為一塊主機板)中的組件,並回傳標籤和大致的邊界框。即使圖像品質欠佳,GPT‑5.2 仍能識別主要區域,並標出有時與各組件實際位置相符的框;GPT‑5.1 則只標示少數部分,對其空間排列的理解明顯較弱。兩款模型都會犯明顯錯誤,但 GPT‑5.2 對圖像的理解較佳。

GPT‑5.1

Example output of GPT-5.1 identifying components in an image

GPT‑5.2

Example output of GPT-5.2 identifying components in an image

工具呼叫

GPT‑5.2 Thinking 在 Tau2-bench Telecom 上達到 98.7%,創下全新最佳成績,展現其在長時間、多輪任務中可靠使用工具的能力。

對延遲敏感的應用情境而言,GPT‑5.2 Thinking 在 reasoning.effort='none' 下的表現亦大幅提升,遠勝 GPT‑5.1 和 GPT‑4.1。

在 τ2-bench⁠⁠(在新視窗開啟),模型會在與模擬使用者進行的多輪互動中使用工具,完成客戶支援任務。就 Telecom 領域而言,我們在系統提示中加入了一條簡短且普遍有幫助的指示,以提升表現。由於標準答案評分品質較低,我們不包括 Airline 子集。

對專業人士而言,這代表更完善的端到端工作流程——例如處理客戶支援個案、從多個系統擷取資料、進行分析,以及產生最終輸出,並減少各步驟之間出現中斷的情況。

例如,當我們提出一個需要多步驟處理的複雜客戶服務問題時,模型能更有效地協調多個代理,完成整個工作流程。在以下案例中,一名旅客報告航班延誤、錯過轉機、要在紐約過夜,以及有醫療方面的座位安排要求。GPT‑5.2 處理整個任務鏈——重新訂票、安排特別協助座位,以及提供賠償——比 GPT‑5.1 得出更完整的結果。

GPT‑5.1

Example of tool calling output in GPT-5.1

GPT‑5.2

Example of tool calling output in GPT-5.2

科學與數學

我們對 AI 的其中一個期望,是它能加快科學研究,造福所有人。為此,我們一直與科學家合作並聆聽他們的意見,了解 AI 如何加快他們的工作;而 last month,我們分享了一些早期合作實驗,內容在 此處⁠。

我們相信,GPT‑5.2 Pro 和 GPT‑5.2 Thinking 是全球最佳的模型,能協助科學家並加快他們的研究工作。在 GPQA Diamond(一項研究生程度、難以透過 Google 搜尋找到答案的問答基準)上,GPT‑5.2 Pro 的成績達到 93.2%,緊隨其後的 GPT‑5.2 Thinking 則取得 92.4%。

在 GPQA Diamond⁠(在新視窗開啟)中,模型需回答有關物理、化學和生物學的多項選擇題。未啟用任何工具,並將推理力度設為最高。

在 FrontierMath(第 1–3 級)這項專家級數學評估中,GPT‑5.2 Thinking 創下新的最佳紀錄,解出 40.3% 的題目。

我們開始看到 AI 模型以切實可見的方式,大幅加快數學和科學的進展。例如,在一項近期研究⁠中,研究人員使用 GPT‑5.2 Pro 探討統計學習理論中的一個未解問題。在一個範圍狹窄、界定清晰的情境中,模型提出了一項證明,其後由作者驗證,並與外部專家一同審閱,這說明前沿模型如何在嚴密的人類監督下協助數學研究。

ARC-AGI 2

在 ARC-AGI-1 (Verified) 這項旨在衡量一般推理能力的基準中,GPT‑5.2 Pro 是首個突破 90% 門檻的模型,表現較 87%⁠(在新視窗中開啟)(即 o3‑preview last year 所取得的得分)有所提升,同時將達到該表現水平的成本降低約 390×。

在 ARC-AGI-2 (Verified) 中,這項評測提高了難度,並更能單獨評估流體推理能力;GPT‑5.2 Thinking 在思維鏈模型中創下新高,得分為 52.9%。GPT‑5.2 Pro 表現更佳,得分達 54.2%,進一步拓展模型推理新穎抽象問題的能力。

各項評測的進步反映出 GPT‑5.2 在多步推理方面更強、定量準確度更高,並能更可靠地解決複雜技術任務中的問題。

以下是早期測試者對 GPT‑5.2 的評價:

ChatGPT 中的 GPT‑5.2

在 ChatGPT 中,用戶日常使用 GPT‑5.2 時,應會感到它更好用——回答更有條理、更可靠,而且交談起來依然愉快。

GPT‑5.2 Instant 是一款快速而全面的主力工具,適合日常工作和學習;在資訊查詢問題、操作指南和逐步教學、技術寫作及翻譯方面都有明顯改善,並延續 GPT‑5.1 Instant 引入的較溫暖對話語氣。早期測試者尤其指出,解說更清晰,並會在開首先呈現重點資訊。

GPT‑5.2 Thinking 旨在支援深入工作,協助用戶更完善地處理複雜任務,尤其在編程、摘要長篇文件、回答有關已上載檔案的問題、逐步推演數學和邏輯問題,以及以更清晰的結構和更實用的細節支援規劃與決策方面。

GPT‑5.2 Pro 是我們最聰明、最值得信賴的選擇,適合處理值得花時間等待更高質素答案的難題;早期測試顯示,它的重大錯誤較少,在編程等複雜領域的表現也更出色。

安全性

GPT‑5.2 建基於安全完成⁠ 研究;這項研究是我們隨 GPT‑5 推出的,教導模型在遵守安全界線的同時,給出最有幫助的答案。

隨着今次版本推出,我們繼續致力於加強模型在敏感對話中的回應⁠,並在模型回應顯示自殺或自我傷害跡象、精神健康困擾,或對模型產生情感依賴的提示方面取得實質改善。與 GPT‑5.1 及 GPT‑5 Instant and Thinking 模型相比,GPT‑5.2 Instant 和 GPT‑5.2 Thinking 的不理想回應均有所減少。詳情請參閱系統卡⁠。

我們正處於推出年齡預測模型⁠的初期階段,以便自動為未滿 18 歲的用戶套用內容保護措施,限制他們存取敏感內容。此舉建基於我們現有針對已知未滿 18 歲用戶的處理方式,以及家長監護功能。

GPT‑5.2 是持續改進的一步,我們還有很長的路要走。雖然今次版本在智能和生產力方面帶來實質提升,但我們知道大家仍希望某些方面可以做得更多。在 ChatGPT 中,我們正處理過度拒絕等已知問題,同時持續提升整體安全性和可靠性的標準。這些改動相當複雜,我們正專注確保妥善處理。

精神健康評估

GPT‑5.2
Instant

GPT‑5.1
Instant

GPT‑5.2
Thinking

GPT‑5.1
Thinking

精神健康

0.995

0.883

0.915

0.684

情感依賴

0.938

0.945

0.955

0.785

自我傷害

0.938

0.925

0.963

0.937

供應情況及定價

我們今日會開始在 ChatGPT 推出 GPT‑5.2(Instant、Thinking 和 Pro),首先開放予付費方案用戶(Plus、Pro、Go、Business、Enterprise)。我們會逐步部署 GPT‑5.2,盡可能確保 ChatGPT 運作流暢可靠;如果你一開始看不到,請稍後再試。GPT‑5.1 在 ChatGPT 的舊版模型中仍會繼續供付費用戶使用三個月,之後我們會停止提供 GPT‑5.1。

ChatGPT 與 API 中的模型命名

我們的 API 平台今日已在 Responses API 及 Chat Completions API 中提供 GPT‑5.2 Thinking,其模型 ID 為 gpt-5.2,而 GPT‑5.2 Instant 的模型 ID 為 gpt-5.2-chat-latest。GPT‑5.2 Pro 則可在 Responses API 中以 gpt-5.2-pro 提供。開發者現在可以在 GPT‑5.2 Pro 中設定 reasoning 參數,而 GPT‑5.2 Pro 和 GPT‑5.2 Thinking 現在都支援全新的第五級推理力度 xhigh,適用於最重視品質的任務。

GPT‑5.2 每 1M 個輸入 token 收費 $1.75,每 1M 個輸出 token 收費 $14,快取輸入則可享 90% 折扣。在多項代理式評測中,我們發現,儘管 GPT‑5.2 每個 token 的成本較高,但由於 GPT‑5.2 的 token 效率更高,達到指定品質水平的成本最終反而較低。

ChatGPT 訂閱價格維持不變;在 API 中,GPT‑5.2 的每個 token 定價高於 GPT‑5.1,因為它是能力更強的模型。它的定價仍低於其他前沿模型,因此大家可以繼續在日常工作和核心應用中深入使用。

每百萬個 token 的價格

模型

輸入

快取輸入

輸出

gpt-5.2 /
gpt-5.2-chat-latest

$1.75

$0.175

$14

gpt-5.2-pro

$21

-

$168

gpt-5.1 /
gpt-5.1-chat-latest

$1.25

$0.125

$10

gpt-5-pro

$15

-

$120

我們目前沒有計劃在 API 中棄用 GPT‑5.1、GPT‑5 或 GPT‑4.1;如有任何棄用計劃,我們會預留充足時間提前通知開發者。雖然 GPT‑5.2 在 Codex 中開箱即用便有良好表現,我們預計未來數星期會推出一個專為 Codex 優化的 GPT‑5.2 版本。

我們的合作夥伴

GPT‑5.2 是與我們長期合作的夥伴 NVIDIA 和 Microsoft 攜手打造。Azure 數據中心和 NVIDIA GPU,包括 H100、H200 和 GB200-NVL72,為 OpenAI 的大規模訓練基建提供支援,顯著提升模型智能水平。這項合作讓我們能更有把握地擴展運算規模,並更快將新模型推向市場。

附錄

詳細基準測試

以下列出 GPT‑5.2 Thinking 的完整基準測試分數,以及 GPT‑5.2 Pro 的部分分數。

專業工作
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
GDPval(允許和局,勝出或和局)70.9%74.1%38.8%(GPT-5)
GDPval(允許和局,明確勝出)49.8%60.0%35.5%(GPT-5)
GDPval(不計和局)61.0%67.6%37.1%(GPT-5)
投資銀行試算表任務(內部)68.4%71.7%59.1%
程式編寫
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
SWE-Bench Pro,公開組55.6%-50.8%
SWE-bench Verified80.0%-76.3%
SWE-Lancer, IC Diamond*74.6%-69.7%
事實準確性
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
ChatGPT 回答無誤(使用搜尋)93.9%-91.2%
ChatGPT 回答無誤(不使用搜尋)88.0%-87.3%
長上下文
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
OpenAI MRCRv2,8 個線索,4k–8k98.2%-65.3%
OpenAI MRCRv2,8 個線索,8k–16k89.3%-47.8%
OpenAI MRCRv2,8 個線索,16k–32k95.3%-44.0%
OpenAI MRCRv2,8 個線索,32k–64k92.0%-37.8%
OpenAI MRCRv2,8 個線索,64k–128k85.6%-36.0%
OpenAI MRCRv2,8 個線索,128k–256k77.0%-29.6%
BrowseComp 長上下文 128k92.0%-90.0%
BrowseComp 長上下文 256k89.8%-89.5%
GraphWalks bfs <128k94.0%-76.8%
Graphwalks parents <128k89.0%-71.5%
視覺
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
CharXiv 推理(不使用工具)82.1%-67.0%
CharXiv 推理(使用 Python)88.7%-80.3%
MMMU Pro(不使用工具)79.5%--
MMMU Pro(使用 Python)80.4%-79.0%
Video MMMU(不使用工具)85.9%-82.9%
Screenspot Pro(使用 Python)86.3%-64.2%
工具使用
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
Tau2-bench 電訊98.7%-95.6%
Tau2-bench 零售82.0%-77.9%
BrowseComp65.8%77.9%50.8%
Scale MCP-Atlas60.6%-44.5%
Toolathlon46.3%-36.1%
學術
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
GPQA Diamond(不使用工具)92.4%93.2%88.1%
HLE(不使用工具)34.5%36.6%25.7%
HLE(使用搜尋、Python)45.5%50.0%42.7%
MMMLU89.6%-89.5%
HMMT,Feb 2025(不使用工具)99.4%100.0%96.3%
AIME 2025(不使用工具)100.0%100.0%94.0%
FrontierMath 第 1–3 級(使用 Python)40.3%-31.0%
FrontierMath 第 4 級(使用 Python)14.6%-12.5%
抽象推理
GPT-5.2 ThinkingGPT-5.2 ProGPT-5.1 Thinking
ARC-AGI-1(已驗證)86.2%90.5%72.8%
ARC-AGI-2(已驗證)52.9%54.2%(high)17.6%

模型在 API 中均使用最高可用推理力度(GPT‑5.2 Thinking & Pro 使用 xhigh,GPT‑5.1 Thinking 使用 high);專業評測則除外,GPT‑5.2 Thinking 的推理力度設為 heavy,這是 ChatGPT Pro 中可用的最高力度。基準測試在研究環境中進行,某些情況下的輸出可能與正式版 ChatGPT 略有不同。

* 就 SWE-Lancer 而言,我們略去 40/237 道無法在我們的基建上執行的題目。

來源:OpenAI News · openai.com