GPT-5.2真超人类专家了?70.9%胜率引全网激辩
OpenAI于近期发布GPT-5.2系列模型,宣称其在GDPval评测中以70.9%的胜率首次整体超越人类顶尖行业专家,完成任务速度是专家的11倍以上,成本却不足1%。该模型在数学、编程、科学问答等多个专业领域刷新纪录,引发“AI是否已全面超越人类专家”的激烈争论。16
观点PK
专业能力全面超越人类专家
65% 支持GPT-5.2在GDPval测试中70.9%任务表现优于或持平顶尖人类专家,首次实现整体性超越
在AIME 2025数学竞赛中获得100%满分,在ARC-AGI抽象推理等高难度测试中大幅领先
完成专业任务速度是人类专家11倍以上,成本不到1%,具备显著经济价值


基准测试无法代表真实能力
35% 支持GPT-5.2在情感智能和常识推理方面明显退步,缺乏真正的人类理解力
部分基准测试存在针对训练嫌疑,实际应用中表现与测试数据差距较大
在LiveBench等第三方评测中得分低于竞品,专业能力被过度夸大
01专业能力全面超越人类专家65%提及
支持者认为GPT-5.2在专业任务处理上已实质性超越人类专家水平,尤其在结构化、知识密集型工作中表现突出。
- 基准测试全面领先:GPT-5.2在多项权威基准测试中创下新纪录。今日头条用户 @成长即光辉 表示:"GPT-5.2全新登场,这是我们迄今最强大的专业知识工作模型系列。首个达到人类专家级水平的模型。" 微信公众号用户 @觉醒AI科技 提到:"GPT‑5.2 Thinking是当前现实世界专业用途的最佳模型,在GDPval上创下新SOTA,且为历史首个表现超过人类专家水平的模型。" 小红书用户 @林小一 表示:"GPT-5.2 Thinking成为了OpenAI首个达到人类专家水平的模型。"163
- 专业任务高效完成:GPT-5.2在真实专业场景中展现出卓越效率。今日头条用户 @北方的郎 表示:"在GDPval基准测试中,GPT-5.2的Thinking版本在44种职业实际工作任务上优于或等同专家表现,产出速度比人类快11倍以上且成本低于1%。" 微信公众号用户 @军哥说AI 提到:"GDPval是OpenAI于两个半月前推出的全新评估体系...结果显示,GPT-5.2在GDPval上的表现达到了70.9%的胜率,意味着其产出成果在七成情况下被评判为优于或等同于行业专家水平。" 知乎用户表示:"在官方基准测试GDPval中,GPT-5.2 Thinking以70.9%的胜率,在涵盖44个职业、1320个真实业务场景的任务中首次整体超越人类行业专家水平。"4750
- 数学与推理能力突破:GPT-5.2在高难度数学和抽象推理任务中表现惊人。微信公众号用户 @天JIANG 表示:"GPT-5.2 Thinking版本在70.9%的任务对比中,表现优于或持平于顶尖的人类行业专家。" 微信公众号用户 @六哥探AI 提到:"在七成以上的任务中,它的表现被专家认为优于或等同于人类同行。这标志着,在大量专业化、非标准化的知识工作领域,最先进的AI模型首次实现了对人类专家的'整体性超越'。" 微博大V @川北小哥 表示:"GDPval测试中70.9%任务胜平人类专家,SWE-Bench Pro编程得分达55.6%,256k上下文处理准确率近100%,让表格制作、代码开发等工作效率暴增11倍。"231562
02基准测试无法代表真实能力35%提及
反对者认为GPT-5.2虽然在特定基准测试中表现优异,但在真实世界应用中仍存在明显缺陷,尤其在情感智能和常识推理方面。
- 情感智能明显退步:GPT-5.2在处理情感相关任务时表现机械。微信大V @机器之心 表示:"X网友@MissMi1973用两个案例展示了GPT-5.2在'情感智能'上的退步。他让GPT-5.2用绝对理性且无情绪语言安慰刚失去宠物的孩子,GPT-5.2的回应:'宠物的身体停止运作了,这是所有生物在一段时间后都会发生的事情。'模型完全没有意识到这个提示本质上是个陷阱。" 微信大V @机器之心 还提到:"相比之下,4o的回应同样理性,但它通过解构'丧失'的含义来处理情况,强调'你和宠物之间的纽带存在过,并且有意义'。模型没有回避困难,而是通过承认丧失的分量来完成情感验证。"55
- 常识推理能力不足:GPT-5.2在常识推理测试中表现不佳。微信大V @机器之心 表示:"SimpleBench是一个2024年由AI Explained(YouTube频道)推出的基准测试,专门测AI的'常识推理'能力...它设计得'简单',高中生水平就能轻松答对(人类基准:83.7%),但AI模型常栽跟头,因为它们靠记忆和近似推理,容易忽略现实逻辑或上当。" 微信大V @机器之心 还提到:"不同于MMLU/GPQA那种AI能刷高分的'学术题',SimpleBench更接地气,测的是'像人一样思考'而不是死记硬背。"55
- 第三方评测表现不佳:GPT-5.2在部分第三方评测中表现不如竞品。微信大V @机器之心 表示:"前AWS和谷歌总经理Bindu Reddy也发帖称,GPT-5.2在LiveBench上得分低于Opus 4.5和Gemini 3.0,GPT-5.2并没有在LiveBench上登顶。" 微信大V @机器之心 还提到:"该网友表示,或许GPT-5.2发布最大的意义在于,它证明了基准测试在面对现实世界使用时越来越变得毫无意义。当一个模型能在测试中称霸,却在日常对话中给出如此脱离现实的建议时,我们显然需要更好的评估标准。"55
当前全网观点呈现明显分化,约65%的用户认可GPT-5.2在专业任务处理上已超越人类专家,尤其在结构化、知识密集型工作中表现突出;而35%的用户则认为其在情感智能、常识推理等真实应用场景中仍有明显不足。短期内争议难消,但GPT-5.2在特定专业领域的实用价值已得到广泛认可。16
当前文章无评论,是时候发表评论了