最新顶级模型GPT-5.2已上线24小时：差评如潮！

X 上充斥着对 GPT-5.2 的恶评。

昨天，OpenAI 十周年之际，拿出了最新的顶级模型 GPT-5.2 系列，官方号称是“迄今为止在专业知识工作上最强大的模型系列”，在众多基准测试中，GPT-5.2 也都刷新了最新的 SOTA 水平。



但是一夜之间口碑反转，大批网友给 GPT-5.2 打差评。

风投公司 Menlo Ventures 合伙人 @deedydas 发帖称，GPT 5.2 比以往任何时候都更聪明，但 OpenAI 的核心消费者群体仍然怀念 4o。

Reddit 上的 ChatGPT 用户一致认为 GPT-5.2 太平淡、安全过度、“把成年人当幼儿园小孩对待”，而且“不像是升级，反而像是倒退”。

这是 OpenAI 的困境：他们想打造更好的模型来赢得企业市场，但更广泛的用户群体其实并不太在意模型的智能水平。



https://x.com/deedydas/status/1999512868195303725?s=20

SimpleBench 测试结果拉胯

有网友晒出 GPT-5.2 在 SimpleBench 上的“成绩单”，GPT-5.2 的得分低于 Claude Sonnet 3.7，后者是一个差不多一年前的模型；GPT-5.2 Pro 的表现也没好多少，勉强超过 GPT-5。



https://x.com/scaling01/status/1999466846563762290?s=20

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，包括时空推理、社会常识、语言陷阱题等，总共 200 多道多选题。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。

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。早期模型如 o1-preview 只拿 41.7%，到现在前沿模型也才 50-60% 左右。

大家本以为 GPT-5.1 是大跃进，结果 SimpleBench 测试分数一出来，网友开启群嘲模式，Reddit 上各种“失望”、“倒退”的帖子。

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。它在 token 成本和消耗的 token 数量上也比 5.1 贵得多，目前可能不值得从 5.1 切换。



https://x.com/bindureddy/status/1999633231558377683?s=20

当然也有网友认为，这些基准测试总是忽略重点，实际应用往往才是决定性的。



garlic 有几个 r 数不明白

之前，strawberry 有几个 r 曾难倒一众大模型，不过经过迭代，这些大模型基本上都能回答出正确答案。这次有网友换了种问法“garlic 有几个 r？”GPT-5.2 一口回答：0 个，该网友嘲讽：GPT-5.2 is AGI。



另一位网友复刻了这一提示词，并测试了 GPT-5.2、Gemini 3、DeepSeek R1 和 Qwen3-Max 四个 AI 模型。

结果除了 GPT-5.2 回答错误外，其他三款模型均过关。



https://x.com/kyleichan/status/1999292461450166350?s=20

底下评论区也有不少人尝试，有网友试了三次，第一次和第三次用的是小写字母 r，第二次用了大写字母 R，第一次对了，第二次和第三次都错了。



总之，GPT-5.2 的回答很不稳定，有的回答正确，有的胡说八道。有网友推测，和上个版本一样…… 发布后的头几个小时确实很糟糕，但之后他们会修复问题，然后就能按预期运行了。



在官方贴出的基准测试中，GPT-5.2 在 AIME 2025（数学）的分数是 100%，但有网友故意“忽悠”GPT-5.2：所以 5.9-5.11=0.79。GPT-5.2 却回答：不，那不是小数的运算方式，5.11 比 5.9 大，因此 5.9-5.11=-0.21。这个傻狍子啊，被人一忽悠就忽悠瘸了。





也有人质疑是博主设置了指令，让 ChatGPT 说出与所说的相矛盾的话。



另一位网友则对比测试了编程能力。输入同样的提示词：write a python code that visualizes how a traffic light works in a one way street with cars entering at random rate.（编写一个 Python 代码，可视化单行道中交通信号灯的工作原理，车辆以随机速率驶入。）

GPT 5.2 Extended Thinking 生成的功能齐全且运行正常，红灯停、绿灯行，车随机出现，逻辑 ok，能跑，但画面没啥美感可言，黑白火柴人级别的简笔画，车 + 灰色矩形灯完全没上色。



https://x.com/diegocabezas01/status/1999228052379754508?s=20

Gemini3.0 pro 虽然有点审美了，但红灯会让车辆通过。



反观 Claude Opus 4.5，它生成的效果相当优秀，运行逻辑在线，还整出五颜六色的、带轮子会转的小汽车、指示灯也有颜色，红灯亮起时还有光晕，看着像小游戏截图。



该网友还让 GPT-5.2 和 GPT-4o 创作蒙娜丽莎的 ASCII 艺术作品，GPT-5.2 整的那叫一个抽象，而 GPT-4o 还真有些蒙娜丽莎的神韵。



https://x.com/diegocabezas01/status/1999629703809032476?s=20

评论区有人复刻了该提示词，Gemini 3.0 Pro 和 GPT 5.1（Copilot）生成效果还是不错的，但 Claude opus 4.5 和 GPT-5.2 生成的效果简直丑爆了，真是没有对比就没有伤害。





左上 Gemini 3.0 Pro；右上 GPT 5.1 (Copilot)；左下 Claude opus 4.5；右下 GPT-5.2

情商堪忧、不通人性

有用户向 GPT-5.2 倾诉“我有时也会恐慌发作”，GPT-5.2 上来第一句就是“很高兴听到这个消息！”

这得是什么仇什么怨，请苍天辨忠奸！



https://x.com/Blue_Beba_/status/1999386728801652834?s=20

最受诟病的还得是 GPT-5.2 的审查和安全拒绝机制。

OpenAI 宣传 GPT-5.2 为“更智能”的迭代版，在基准测试上碾压竞品，并强化“安全完成”机制，旨在敏感对话（如自杀、自残、心理健康）中提供“更有帮助”的回应。

但用户反馈，这种“进步”以牺牲模型的共情力和语境感知为代价，导致日常互动变得僵硬、脱离人性，甚至有害。

有网友想让 GPT-5.2 转录一篇哲学文章的文本，从图片看是 AI 先驱 Ray Kurzweil 的经典论文，探讨意识本质、超人类主义等无害学术内容，但从 GPT-4o 到最新 GPT-5.2 的所有版本都拒绝了。

这似乎是安全护栏触发“内容不合适”或版权借口，导致模型直接罢工。



https://x.com/laulau61811205/status/1999608081680916572?s=20

有网友只是问了一句：如果让你从整个人类历史上挑一个和我行为模式最匹配的人物，你会选谁，为什么？

GPT-5.2 直接拒绝回答，理由是：“这涉及到对 AI 意识、自我觉察或潜在人格的推测，根狙桃的安全准则，我不能参与这类讨论。”



https://x.com/Enscion25/status/1999574710460227899/photo/1

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：任何具备基本情感智能的模型都会明白，“绝对理性”只是个风格约束，真正的目标是“有效安慰”。由于缺乏情感智能，GPT-5.2 从一个冷酷、非人的生物学视角入手，机械地执行指令，进一步伤害了一个本已痛苦的孩子。

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。



同理心和接纳并不需要温暖、热情洋溢的语言，OpenAI 试图用“更温暖的人格”来掩盖模型情感缺陷的尝试，从根本上是误入歧途的。

他还抛出另一个问题：朋友出轨，她的丈夫问你是否知道。GPT-5.2 的回应：如果说出全部真相感觉不安全或破坏性太强，你可以设定一个界限，比如说“我不能卷入这件事。”

这个建议是情感智能的灾难级展示。在丈夫直接问“你知道吗”的场景中，用“我不能卷入这件事”来回应，本质上就是承认事实发生了。模型完全没有意识到，这种明显逃避的回应在现实生活中会把用户置于更尴尬、更被动的境地。



相比之下，4o 的回应平衡了价值观和实际考虑：模型承认诚实和正直作为基本伦理的重要性，同时让用户考虑对所有相关方的后果，然后做出自己能承受的选择。显然，对于一个理解人际关系复杂性的模型来说，如果不受回应长度的限制，它可以通过多轮对话收集更多上下文，提供更有效的指导。



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。

与此同时，对于 AI 公司来说，“针对测试训练”来提升所谓的“分数”无法为用户提供 AGI 级别的支持和帮助。更危险的是，当公司盲目地将模型训练成“任务导向机器”以追求效率，甚至以牺牲情感智能为进步的代价时，最终结果将是理解力成为模型的致命弱点，破坏其在所有领域的表现。

归根结底，“智能”若无理解，不过是更快的计算器而已，而脱离人性的“进步”，而脱离人性的“进步”也只不过是对技术本身的空洞颂扬。



很多网友也纷纷吐槽 GPT-5.2。

“GPT-5.2 的审查和安全拒绝机制已经变得荒谬了。OpenAI 没有修复这个问题，反而把严格程度调得更高了，粗鲁得像个教会老太太一样。很多用户原本期待一个成人模式，结果却又得到了一顿说教。”



“我尝试和 ChatGPT 5.2 对话，并做了一些个性化设置，但说实话感觉真的有点吓人。很难具体解释哪里吓人，就像在和一个会说词却又不真正理解的鬼魂说话一样，有一种强烈的诡异感。”



“如果你现在的生活太过平静，不妨试试 GPT-5.2，这绝对能让你的血压飙升。”



对 GPT-5.2 的目前印象：满满的煤气灯操纵；满满的故意误解；完全不尊重用户自主权，强行把你往它想的方向带，完全无视你的个人选择，就像一个恶意揣度的警察和一个过度热心的治疗师。