GPT-5.2 家族：官方发布基准与 Chat 定位

一句话结论

官方数据把 GPT-5.2 Thinking/Pro 定位为复杂推理、编码、长文档和工具任务模型，但这些 benchmark 不能直接当作 gpt-5.2-chat-latest 的 Chat 体验成绩。

测试环境

• 发布版本：GPT-5.2 Instant、GPT-5.2 Thinking、GPT-5.2 Pro；API 相关名称包括 gpt-5.2、gpt-5.2-chat-latest 和 gpt-5.2-pro。

• 输入/模态：官方覆盖文本、图像、长上下文与工具/Agent 场景；各 benchmark 的具体 harness 由发布说明分项描述。

• 配置：Thinking/Pro 使用官方评测设定；报告未为每个表格公开完整原始输入、随机种子和所有工具轨迹。

输入/配置

官方发布示例包括 workforce planning 任务，以及一个单 HTML 波形模拟器提示；发布说明还将 Instant 用于日常工作、Thinking 用于编码/长文档/文件/逻辑、Pro 用于最强质量需求。

结果数据

官方公布的 GPT-5.2 Thinking 代表性成绩包括：GDPval 70.9%，SWE-Pro 55.6%，SWE Verified 80.0%，GPQA Diamond 92.4%，CharXiv Python 88.7%，HMMT 99.4%，FrontierMath T1–3 40.3%，ARC-AGI-1 86.2%，ARC-AGI-2 52.9%，Tau2 Telecom 98.7%，BrowseComp 65.8%，MCP Atlas 60.6%，Toolathlon 46.3%。长上下文 MRCR v2 在 4k–8k 8-needle 为 98.2%，128k–256k 为 77.0%。

官方还报告 GPT-5.2 Thinking 相比 GPT-5.1 在去标识化 ChatGPT 查询中，含错误回复频率下降 38%；该误差探测由模型完成，官方提醒探测器可能出错。

结论

在“复杂问题 + 足够推理/工具预算”的场景，官方数据支持把 GPT-5.2 Thinking/Pro 作为强基线；若目标是 ChatGPT 对齐的低延迟对话，则应单独评估 gpt-5.2-chat-latest，不能把 Thinking 分数平移过去。

局限

• 这是厂商自报基准，未公开所有原始样本、提示词、失败样本、随机种子和完整成本轨迹。

• 不同 variant、reasoning effort、工具和服务端路径混在发布说明中；需要按任务拆分，不能只看一个总排名。

• Chat 版本模型页在 2026-08-18 已标记 deprecated，且 Chat Completions 上下文/输出限制与 gpt-5.2 不同。

• 38% 是错误探测频率的相对变化，不等同于所有用户任务的绝对准确率提升。

复现步骤

1. 明确要评测 gpt-5.2-chat-latest 还是 gpt-5.2/Thinking，固定 snapshot、API、reasoning 和 verbosity。

2. 对同一任务集分别跑 Chat 和 Thinking；记录输入、输出、工具轨迹、token、延迟、错误类型。

3. 对需要新鲜事实的任务统一提供同一搜索工具；对长上下文测试至少分段记录 4k–8k 与 128k–256k 区间。

4. 把官方表格仅作为对照，不把未公开 harness 的分数宣称为独立复现。