更多AI神器测评：
在各种小道消息，各种预测之后。
终于，在OpenAI十周年的这一天。
也就是12号凌晨2点，GPT-5.2终于跟大家见面了。
这是Gemini 3 Pro爆火，第一次让OpenAI没有领先优势，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。
也是OpenAI的十周年献礼。
而这款模型的特点也非常有意思。
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。
我们先从各种跑分上看，其实能看到，一些跑分其实没有质的飞跃，有一种数码厂开始挤牙膏的感觉。。。
对比了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，也回到了第一的位置，全面领先。
在前端审美还有3D元素上，表现的更牛逼了。
在视觉理解能力上也更强了。
比如要求模型识别图像输入中的组件，并返回带有近似边界框的标签。
即使在低质量的图像上，GPT-5.2也能识别主要区域并放置与每个组件真实位置大致匹配的框，而GPT-5.1只标注了几个部分，对它们的空间排列理解不是很好。
但是这些东西，说实话，确实也就那样，大家很难体感上还觉得有多牛逼。
就像芯片厂子告诉你，我的手机芯片性能又提升了25%，你听了以后，哦确实强，但是完全不影响你继续刷抖音和小红书对吧。
不过有两个评测集，是我觉得这次GPT-5.2最大的亮点，且一定要单拎出来，跟大家单独聊一下的。
一个是ARC-AGI-2，一个是GDPval。这两个，非常有意思。
先说ARC-AGI-2。
过去的AI评测，比如MMLU，考的主要是是知识。
比如它会问你“美国第一任总统是谁？”、“光合作用的化学方程式是什么？”。
这种评测呢，坦率的讲，对于一个读了半个互联网的AI来说，有点像开卷考试，它有很大概率不是真的推理出来的，而是背出来的。
这就导致一个问题，在实际的评测中，我们分不清AI是真的聪明，还是只是记性好。
于是，François Chollet，就是那位Keras（一个著名的机器学习框架）之父，2019年第一次在论文《On the Measure of Intelligence》里，提出了ARC这个变态测试。
而这个测试，跟知识储备一毛钱关系都没有。
全名叫，Abstraction and Reasoning Corpus，抽象与推理语料库。
设计目标就是测模型的通用智能的能力。
大概就是，不看你在某一道题上有多熟练，而是是看你在没见过的新题上，能不能自己推理出规则、举一反三。
目前正式版发展到了第二代，也就是ARC-AGI-2，我给大家放一下，ARC-AGI-2里面的一些典型的题目，大家就懂了。
这种能力，现在称为流体智力（Fluid Intelligence），意思就是指不依赖于已有的知识，在全新情境下进行逻辑推理、识别模式和解决问题的能力。
说白了，就是你的悟性和开窍的能力。
这玩意儿对AI来说，难于登天。
因为它在互联网上找不到任何现成的答案，它必须当场理解、当场推理
在很长一段时间里，顶级AI的得分都低得可怜。
在ARC-AGI-2上，之前GPT-5.1的得分是17.6%，而GPT-5.2，直接飙到了52.9%。
直接翻了三倍。
这是一个很恐怖的数据。
GPT-5.2的模型，直接在排行榜上屠榜了。
而且，效率还很高。
基本都在同成本区间，能力做到了最高。
在真正的智力水平上，GPT-5.2确实达到了目前的最优。
这就比较有意思了。
然后是第二个，也是我自己现在最关心、也是我认为最重要的一个：GDPval。
可能很多人没听说过这个评测集。
他是OpenAI自己在2个半月前新出的。
其实你看这个名字也能看出来一点端倪。
GDPval，就是生产总值的那个GDP。
他们要用一个全新的标准，来衡量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，是因为它代码写得好，或者知识答得准，或者考试分数高。
这当然很重要，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。
他们工作的价值，其实很难用一张考卷来衡量。
于是，OpenAI他们在美国贡献GDP最高的9个行业里，选取了44个核心职业，然后，他们找到了在这些行业里平均有14年工作经验的资深专家，让他们出了1320道专业知识任务，并且每一项，都基于真实工作成果。
比如，给律师的任务，可能就是一份真实的合同草案和客户需求，让他去审阅和修改。
给市场经理的任务，可能就是一堆产品资料和市场数据，让他写一份营销方案PPT。
给制造工程师的任务，可能就是一张产品设计图，让他优化生产流程。
这些任务，不仅有文字，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。
整套任务的平均用时，是人类专家要花 7 个小时才能做完，有些甚至是一两周的活。
然后，模型和人类的成果，会被同领域的另一批专家进行盲评。
他们也不知道谁是AI，谁是人类。
评委只需要回答一个问题：你更愿意把哪份交给客户？是这份，还是这份？
结果，GPT-5.2 Thinking在这套 GDPval 上，赢或打平行业专家的比例，达到了70.9%，而GPT-5.2 Pro 模型是74.1%。
注意，这里的参照系不是普通实习生，而是行业专家。
也就是说，在一个有着十几年经验的采购经理、或者审计师面前，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%。
这个进步的速度，还有有一点快的。
看一下官方放的case的对比，还是比较直观的。
我们过去的模型，都花过于着重的笔墨在编程开发上了，我并不是说编程开发不重要，它很重要，很牛逼。
但，其他的领域的工作，我也觉得应该被重视。
而GDPval，就是我认为最重要的一个指标。而且这次GPT-5.2，在上下文上，也有大幅的加强。
用我们以前的大海捞针测试，在一个256K的巨型文档里面埋四根针，让AI来根据文档内容回答。
GPT-5.2干到了离谱的100%，这也是我印象中，唯一一个能干到100%的。
8根针的正确度会下降，但是这个衰减，已经比GPT-5.1牛逼太多了。
而且，还有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，实在是太强了。
这是真正，奔着大众、奔着实用去的。
目前今天会开放给ChatGPT付费会员，明天会开放给免费会员，会直接替代GPT-5.1，但是如果你是付费会员的话，还会在老模型中存续3个月。
就是这。
可惜截止到我发文的凌晨6点这一刻，作为尊贵的200刀的ChatGPT Pro会员，我还是没有拿到GPT-5.2的体验资格。
一些所谓的ChatGPT上的为GPT-5.2专用的文件精修，也只能等拿到实测以后，再出一篇GPT-5.2的打工合集了。
然后开发者的话，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的所有消息差不多就这样了。
而我自己一直期待的，成人模式。
还是没有到来。
奥特曼自己说的是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。
对于一个创作者来说，这两玩意，真的很需要。。。
最后总结，GPT-5.2在我心中，是一个合格的迭代，并没有跟很多模型一样，专注于纯粹的传统刷分，而是聚焦在了广大白领打工人身上，帮大家解决实际工作中的问题。
这个点，我觉得就很酷，非常的刚需。
但是从路线上来说，感觉GPT-5.2还是被原生多模态的Gemini 3 Pro压了一头，12月大概率还是要发个生图模型出来的，不知道对标Banana，会不会有新的惊喜。
总之，还是保持期待。
反正每一个新模型的发布，只要是我觉得有意思的。
也一定会熬夜给大家带来第一时间的解读。
我们以后。
还是，不见不散~
晚安。
