GPT-5.2评测出炉：专业领域吊打人类，常识题却输给Claude？

导语：在OpenAI十周年之际发布的GPT-5.2系列模型引发了巨大争议。官方数据显示，该模型在专业基准测试中表现惊人，甚至在GDPval测试的44个职业任务中以70.9%的成绩碾压顶尖人类专家，编程能力也创下新高。然而，其在常识推理上的表现却让人大跌眼镜，被指出现“智力偏科”。

惊人的专业能力与SOTA成绩

根据OpenAI的介绍，GPT-5.2在多个专业领域取得了实质性突破。除了在职业任务评估中超越专家外，在SWE-bench Pro编程测试中，它也达到了55.6%的SOTA（State of the Art）成绩。此外，困扰大模型已久的幻觉问题也得到改善，幻觉率较前一版本GPT-5.1降低了38%。

这些硬核数据让技术圈感到振奋，似乎标志着AI在处理复杂、专业知识工作方面实现了又一次飞跃。

常识“翻车”引发质疑

然而，并非所有反馈都是正面的。在SimpleBench常识推理测试中，GPT-5.2的得分竟然低于竞争对手Anthropic发布的Claude Sonnet 3.7。

用户发现模型在一些看似简单的问题上表现拙劣。例如，在回答“garlic（大蒜）这个单词有几个r”时，模型常常出错，三轮测试仅对一次。相比之下，谷歌的Gemini 3.0等竞品则能稳定通过此类逻辑挑战。这种反差让部分用户感到失望，前AWS总经理Bindu Reddy甚至直言：“不值得从GPT-5.1升级。”


智能进阶还是局部倒退

尽管技术的进步不可否认，但GPT-5.2所面临的挑战也发人深省。AI模型在处理高难度任务与简单常识问题之间的巨大能力落差，引发了关于“AI智能水平”本质的争论。

这是否意味着技术在某些基础维度发生了退步，亦或只是深度学习特定阶段的正常现象？GPT-5.2的发布标志着OpenAI在专业垂直领域的统治力，但也暴露了通用大模型在常识推理等基础任务中仍存短板。这场关于AI“偏科”的讨论，或许将成为未来算法优化的重要课题。