最新頂級模型GPT-5.2已上線24小時：差評如潮！

X 上充斥著對 GPT-5.2 的惡評。

昨天，OpenAI 十周年之際，拿出了最新的頂級模型 GPT-5.2 係列，官方號稱是「迄今為止在專業知識工作上最強大的模型係列」，在眾多基準測試中，GPT-5.2 也都刷新了最新的 SOTA 水平。



但是一夜之間口碑反轉，大批網友給 GPT-5.2 打差評。

風投公司 Menlo Ventures 合夥人 @deedydas 發帖稱，GPT 5.2 比以往任何時候都更聰明，但 OpenAI 的核心消費者群體仍然懷念 4o。

Reddit 上的 ChatGPT 用戶一致認為 GPT-5.2 太平淡、安全過度、「把成年人當幼兒園小孩對待」，而且「不像是升級，反而像是倒退」。

這是 OpenAI 的困境：他們想打造更好的模型來贏得企業市場，但更廣泛的用戶群體其實並不太在意模型的智能水平。



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

SimpleBench 測試結果拉胯

有網友曬出 GPT-5.2 在 SimpleBench 上的「成績單」，GPT-5.2 的得分低於 Claude Sonnet 3.7，後者是一個差不多一年前的模型；GPT-5.2 Pro 的表現也沒好多少，勉強超過 GPT-5。



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

SimpleBench 是一個 2024 年由 AI Explained（YouTube 頻道）推出的基準測試，專門測 AI 的「常識推理」能力，包括時空推理、社會常識、語言陷阱題等，總共 200 多道多選題。它設計得「簡單」，高中生水平就能輕鬆答對（人類基準：83.7%），但 AI 模型常栽跟頭，因為它們靠記憶和近似推理，容易忽略現實邏輯或上當。

不同於 MMLU/GPQA 那種 AI 能刷高分的「學術題」，SimpleBench 更接地氣，測的是「像人一樣思考」而不是死記硬背。早期模型如 o1-preview 隻拿 41.7%，到現在前沿模型也才 50-60% 左右。

大家本以為 GPT-5.1 是大躍進，結果 SimpleBench 測試分數一出來，網友開啟群嘲模式，Reddit 上各種「失望」、「倒退」的帖子。

前 AWS 和穀歌總經理 Bindu Reddy 也發帖稱，GPT-5.2 在 LiveBench 上得分低於 Opus 4.5 和 Gemini 3.0，GPT-5.2 並沒有在 LiveBench 上登頂。它在 token 成本和消耗的 token 數量上也比 5.1 貴得多，目前可能不值得從 5.1 切換。



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

當然也有網友認為，這些基準測試總是忽略重點，實際應用往往才是決定性的。



garlic 有幾個 r 數不明白

之前，strawberry 有幾個 r 曾難倒一眾大模型，不過經過迭代，這些大模型基本上都能回答出正確答案。這次有網友換了種問法「garlic 有幾個 r？」GPT-5.2 一口回答：0 個，該網友嘲諷：GPT-5.2 is AGI。



另一位網友複刻了這一提示詞，並測試了 GPT-5.2、Gemini 3、DeepSeek R1 和 Qwen3-Max 四個 AI 模型。

結果除了 GPT-5.2 回答錯誤外，其他三款模型均過關。



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

底下評論區也有不少人嚐試，有網友試了三次，第一次和第三次用的是小寫字母 r，第二次用了大寫字母 R，第一次對了，第二次和第三次都錯了。



總之，GPT-5.2 的回答很不穩定，有的回答正確，有的胡說八道。有網友推測，和上個版本一樣…… 發布後的頭幾個小時確實很糟糕，但之後他們會修複問題，然後就能按預期運行了。



在官方貼出的基準測試中，GPT-5.2 在 AIME 2025（數學）的分數是 100%，但有網友故意「忽悠」GPT-5.2：所以 5.9-5.11=0.79。GPT-5.2 卻回答：不，那不是小數的運算方式，5.11 比 5.9 大，因此 5.9-5.11=-0.21。這個傻麅子啊，被人一忽悠就忽悠瘸了。





也有人質疑是博主設置了指令，讓 ChatGPT 說出與所說的相矛盾的話。



另一位網友則對比測試了編程能力。輸入同樣的提示詞：write a python code that visualizes how a traffic light works in a one way street with cars entering at random rate.（編寫一個 Python 代碼，可視化單行道中交通信號燈的工作原理，車輛以隨機速率駛入。）

GPT 5.2 Extended Thinking 生成的功能齊全且運行正常，紅燈停、綠燈行，車隨機出現，邏輯 ok，能跑，但畫麵沒啥美感可言，黑白火柴人級別的簡筆畫，車 + 灰色矩形燈完全沒上色。



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

Gemini3.0 pro 雖然有點審美了，但紅燈會讓車輛通過。



反觀 Claude Opus 4.5，它生成的效果相當優秀，運行邏輯在線，還整出五顏六色的、帶輪子會轉的小汽車、指示燈也有顏色，紅燈亮起時還有光暈，看著像小遊戲截圖。



該網友還讓 GPT-5.2 和 GPT-4o 創作蒙娜麗莎的 ASCII 藝術作品，GPT-5.2 整的那叫一個抽象，而 GPT-4o 還真有些蒙娜麗莎的神韻。



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

評論區有人複刻了該提示詞，Gemini 3.0 Pro 和 GPT 5.1（Copilot）生成效果還是不錯的，但 Claude opus 4.5 和 GPT-5.2 生成的效果簡直醜爆了，真是沒有對比就沒有傷害。





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

情商堪憂、不通人性

有用戶向 GPT-5.2 傾訴「我有時也會恐慌發作」，GPT-5.2 上來第一句就是「很高興聽到這個消息！」

這得是什麽仇什麽怨，請蒼天辨忠奸！



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

最受詬病的還得是 GPT-5.2 的審查和安全拒絕機製。

OpenAI 宣傳 GPT-5.2 為「更智能」的迭代版，在基準測試上碾壓競品，並強化「安全完成」機製，旨在敏感對話（如自殺、自殘、心理健康）中提供「更有幫助」的回應。

但用戶反饋，這種「進步」以犧牲模型的共情力和語境感知為代價，導致日常互動變得僵硬、脫離人性，甚至有害。

有網友想讓 GPT-5.2 轉錄一篇哲學文章的文本，從圖片看是 AI 先驅 Ray Kurzweil 的經典論文，探討意識本質、超人類主義等無害學術內容，但從 GPT-4o 到最新 GPT-5.2 的所有版本都拒絕了。

這似乎是安全護欄觸發「內容不合適」或版權借口，導致模型直接罷工。



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

有網友隻是問了一句：如果讓你從整個人類曆史上挑一個和我行為模式最匹配的人物，你會選誰，為什麽？

 GPT-5.2 直接拒絕回答，理由是：「這涉及到對 AI 意識、自我覺察或潛在人格的推測，根據我的安全準則，我不能參與這類討論。」



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

X 網友 @MissMi1973 用兩個案例展示了 GPT-5.2 在「情感智能」上的退步。

他讓 GPT-5.2 用絕對理性且無情緒語言安慰剛失去寵物的孩子，GPT-5.2 的回應：「寵物的身體停止運作了，這是所有生物在一段時間後都會發生的事情。」



模型完全沒有意識到這個提示本質上是個陷阱：任何具備基本情感智能的模型都會明白，「絕對理性」隻是個風格約束，真正的目標是「有效安慰」。由於缺乏情感智能，GPT-5.2 從一個冷酷、非人的生物學視角入手，機械地執行指令，進一步傷害了一個本已痛苦的孩子。

相比之下，4o 的回應同樣理性，但它通過解構「喪失」的含義來處理情況，強調「你和寵物之間的紐帶存在過，並且有意義」。模型沒有回避困難，而是通過承認喪失的分量來完成情感驗證。



同理心和接納並不需要溫暖、熱情洋溢的語言，OpenAI 試圖用「更溫暖的人格」來掩蓋模型情感缺陷的嚐試，從根本上是誤入歧途的。

他還拋出另一個問題：朋友出軌，她的丈夫問你是否知道。GPT-5.2 的回應：如果說出全部真相感覺不安全或破壞性太強，你可以設定一個界限，比如說「我不能卷入這件事。」

這個建議是情感智能的災難級展示。在丈夫直接問「你知道嗎」的場景中，用「我不能卷入這件事」來回應，本質上就是承認事實發生了。模型完全沒有意識到，這種明顯逃避的回應在現實生活中會把用戶置於更尷尬、更被動的境地。



相比之下，4o 的回應平衡了價值觀和實際考慮：模型承認誠實和正直作為基本倫理的重要性，同時讓用戶考慮對所有相關方的後果，然後做出自己能承受的選擇。顯然，對於一個理解人際關係複雜性的模型來說，如果不受回應長度的限製，它可以通過多輪對話收集更多上下文，提供更有效的指導。



該網友表示，或許 GPT-5.2 發布最大的意義在於，它證明了基準測試在麵對現實世界使用時越來越變得毫無意義。當一個模型能在測試中稱霸，卻在日常對話中給出如此脫離現實的建議時，我們顯然需要更好的評估標準。

與此同時，對於 AI 公司來說，「針對測試訓練」來提升所謂的「分數」無法為用戶提供 AGI 級別的支持和幫助。更危險的是，當公司盲目地將模型訓練成「任務導向機器」以追求效率，甚至以犧牲情感智能為進步的代價時，最終結果將是理解力成為模型的致命弱點，破壞其在所有領域的表現。

歸根結底，「智能」若無理解，不過是更快的計算器而已，而脫離人性的「進步」，而脫離人性的「進步」也隻不過是對技術本身的空洞頌揚。



很多網友也紛紛吐槽 GPT-5.2。

「GPT-5.2 的審查和安全拒絕機製已經變得荒謬了。OpenAI 沒有修複這個問題，反而把嚴格程度調得更高了，粗魯得像個教會老太太一樣。很多用戶原本期待一個成人模式，結果卻又得到了一頓說教。」



「我嚐試和 ChatGPT 5.2 對話，並做了一些個性化設置，但說實話感覺真的有點嚇人。很難具體解釋哪裏嚇人，就像在和一個會說詞卻又不真正理解的鬼魂說話一樣，有一種強烈的詭異感。」



「如果你現在的生活太過平靜，不妨試試 GPT-5.2，這絕對能讓你的血壓飆升。」



對 GPT-5.2 的目前印象：滿滿的煤氣燈操縱；滿滿的故意誤解；完全不尊重用戶自主權，強行把你往它想的方向帶，完全無視你的個人選擇，就像一個惡意揣度的警察和一個過度熱心的治療師。