最新顶级模型GPT-5.2已上线24小时：差评如潮！

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，根据我的安全准则，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。