模型:GPT-5.2
| 名称 | GPT-5.2 |
|---|---|
| 厂商 | OpenAI |
| 发布日期 | 2026-05-14 |
| 上下文 | 800k |
| 最大输出 | 96000 |
| 价格 | $5/$30 |
| 定位 | 全能旗舰 |
一句话点评
能力面最宽的全能旗舰，多模态与工具生态完整，无明显短板。
社区反馈 · 编程
两极分化明显：基准端 SWE-bench Pro 55.6% SOTA、Verified 80.0%，InfoQ 实测「同价位无对手」；但真实工程落地口碑分裂——OpenHands Index 上 GPT-5.2 平均分 58.84、5.2-Codex 58.28，均落后总分第一的 Claude 4.5 Opus（60.58）；B 站程序员阿江真实代码对决中 5.2「Thread 乱入 Asyncio、中间件写得像脚本」，工程化输给 Opus 4.5。反方数据也有：Devon Mack 盲评代码评审，gpt-5.2-high 抓到 3/3 真实 bug，Claude opus-high 只抓到 1/3；Augment Code 发布日即宣布 Code Review 默认选用 5.2（HN 12 分）。HN 顶部评论的共识是「对编码已经足够好」，不再求强而应求稳。
社区反馈 · 推理
数学与形式推理公认顶尖：AIME 2025 满分、GPQA Diamond 92.4%、FrontierScience-Olympiad 77%（发布时全场最高，Research 25%）；2026-01-19 陶哲轩亲自验证 GPT-5.2 Pro 对埃尔德什 #281 的证明「没犯任何错误」，评价为「迄今为止最明确的第一类结果」，不过随后发现该题 1966 年 Rogers 定理即可解（属「45 年无人关注」），陶哲轩同时提醒 AI 在埃尔德什问题上真实成功率仅 1-2%。日常推理仍被吐槽「智商不稳定」：官方称幻觉率较 5.1 降 38%，用户依旧感知「降智」，Medium 评测直接定性「I tested GPT 5.2 and it's just bad」；HN 顶部评论认为最强模型已近极限，该改进的是 grounding 而非智能。
社区反馈 · 中文
中文社区反馈以负面为主：知乎出现「48 小时口碑血崩」「差评如潮」高热度讨论，澎湃定调「降智遭全网差评！奥特曼慌了」，界面新闻归因「期望错位+发布过早」。但也有客观派——量子位全程正面报道陶哲轩验证数论猜想（2026-01-19），InfoQ 实测认可「编程同价位无对手、深度推理封神」但点名「速度太拉胯」，华尔街见闻首发评测标题「很强，能执行复杂深度任务，但慢得抓狂」。核心痛点是语气生硬、说教化、交互体验差，而非中文理解力不足。
升级共识
技术评测圈与终端用户严重分裂：认可派（InfoQ、量子位、OpenHands 绿地分榜、Augment Code）认为专业知识工作、高难度数学与复杂编程（Thinking/Pro 档）确实值得升级——SWE-bench Pro 55.6% SOTA、Erdős #281 获陶哲轩验证、OpenHands 绿地开发曾登顶；反对派（Reddit 主力、澎湃、知乎）认为日常对话、创意写作与语气敏感场景「分数涨了但体感退了」，LMArena 滑落至 #15、Instant 档自认回归进一步强化观望情绪。多数日常用户建议留在 4o 或 5.1，深度任务用户可试 Thinking/Pro。
榜单与实测落差
典型「分数高、体感差」：AIME 满分、SWE-bench Pro SOTA、GDPval 超人类专家与「降智」体感并存。榜单侧反差有三处硬证据——LMArena Text 总榜滑落至约 #15（低于 5.1 与 Opus 4.5）；SWEbench.com 官方榜 5.2 high 71.8% 落后 Opus 4.5 的 74.4% 与 Gemini 3 Pro 的 74.2%；OpenHands Index 平均分 58.84/58.28 落后 Opus 4.5 的 60.58（仅绿地开发分榜登顶）。根因是期望错位：OpenAI 主打专业知识工作与基准，用户关注日常流畅与创造性；Instant 档质量下滑（0.976→0.878）与过度审查（hall monitor/Grokipedia 引用）进一步放大反差。缓解：深度任务用 Thinking/Pro 档，日常交互切回 4o 或 5.1，前端审美类任务参考 DataLearner 建议换 Opus/Gemini。
数据来源
本页由仓库 content/models/gpt-5-2.md 初始化。后续修订通过公开审核队列发布。