GPT‑5.2 登場

GPT‑5.2 全新登場，這是迄今最強大的專業知識工作模型系列。

目前，一般 ChatGPT Enterprise 用戶表示⁠，AI 每天可為他們節省 40 至 60 分鐘，而重度用戶每週更可節省逾 10 小時。我們設計 GPT‑5.2 以為人們創造更多經濟價值；這個模型在製作試算表、建立簡報、編寫程式碼、理解圖片、處理長上下文、調用工具，以及管理複雜的多步驟項目方面都有明顯提升。

GPT‑5.2 在多項基準測試中均創下新標準，其中包括 GDPval（一項涵蓋 44 種職業、衡量定義明確的知識工作任務的評估），其表現已超越業界專業人士。

Notion⁠（在新視窗中開啟）、Box⁠（在新視窗中開啟）、Shopify⁠（在新視窗中開啟）、Harvey⁠（在新視窗中開啟） 和 Zoom⁠（在新視窗中開啟） 均認為 GPT‑5.2 展現了最先進的長期推理和工具調用表現。Databricks⁠（在新視窗中開啟）、Hex⁠（在新視窗中開啟） 和 Triple Whale⁠（在新視窗中開啟） 認為 GPT‑5.2 在智能代理數據科學和文件分析任務中表現出色。Cognition⁠（在新視窗中開啟）、Warp⁠（在新視窗中開啟）、Charlie Labs⁠（在新視窗中開啟）、JetBrains⁠（在新視窗中開啟） 和 Augment Code⁠（在新視窗中開啟） 表示，GPT‑5.2 展現出頂尖的代理式編碼能力，在互動編碼、程式碼審核及偵錯等領域均有明顯提升。

在 ChatGPT 中，GPT‑5.2 Instant、Thinking 和 Pro 將由今日起陸續推出，並率先向付費計劃用戶提供。而在 API 中，相關模型現已向所有開發人員開放。

整體而言，GPT‑5.2 在通用智能、長上下文理解、代理工具調用能力和視覺表現方面都有大幅提升，令模型在處理複雜的真實世界端到端任務時，比以往任何模型都更可靠、更強大。

GPT‑5.2 Thinking 是目前最適合真實專業用途的模型。在 GDPval⁠（一項涵蓋 44 種職業、衡量定義明確的知識工作任務的評估）中，GPT‑5.2 Thinking 創下全新成績，成為我們首個達到人類專家級水平的模型。具體而言，根據專家評審，GPT‑5.2 Thinking 在 70.9% 的 GDPval 知識工作任務中，表現比行業專業人士更優勝或表現相若。這些任務包括製作簡報、試算表及其他檔案。GPT‑5.2 Thinking 在 GDPval 任務中生成輸出內容的速度比專業人士快 11 倍，成本不足專業人士的 1%，這意味著，在有人類監督的情況下，GPT‑5.2 能有效協助處理專業工作。速度和成本的估算基於過往數據；ChatGPT 的實際運行速度可能會有所不同。

在審查一項特別出色的成品輸出時，一位 GDPval 評審指出：「這是令人振奮且明顯的質素飛躍……成品看起來像由一家專業公司製作，兩項成品的版面設計精美，建議具深度；雖然其中一項仍有少量錯誤需要修正，但整體品質已相當出色。」

此外，在我們的內部基準中，針對初級投資銀行分析師的試算表建模任務，例如為《財富》500 強公司建立格式與引用皆正確的三表模型，或為私有化交易建立槓桿收購模型，GPT‑5.2 Thinking 在每項任務的平均得分均比 GPT‑5.1 高出 9.3%。由 59.1% 上升至 68.4%。

並排比較顯示，GPT‑5.2 Thinking 生成的試算表和簡報在細緻度和格式化方面均有所提升：

要在 ChatGPT 中使用全新的試算表和簡報功能，你需要訂閱付費計劃，並選擇 GPT‑5.2 Thinking 或 Pro。較複雜的生成可能需要數分鐘才能完成。

GPT‑5.2 Thinking 在 SWE-bench Pro 上創下 55.6% 的新業界標準，這是一項針對真實世界軟件工程的嚴格評估。與只測試 Python 的 SWE-bench Verified 不同，SWE-Bench Pro 測試四種語言，而且測試更具抗污染性、挑戰性、多樣性和工業相關性。

在 SWE-bench Verified（未繪圖顯示）中，GPT‑5.2 Thinking 的得分達到我們的新高 80%。

在日常工程工作中，這代表模型能更可靠地對生產環境程式碼偵錯、處理功能開發需求、重構大型程式庫，並以更少人工介入完成端到端的修正。

GPT‑5.2 Thinking 的前端軟件工程能力亦較 GPT‑5.1 Thinking 明顯提升。早期測試者指出，模型在前端開發、複雜或非常規的使用者介面設計，特別是涉及 3D 元素的情況下表現更強，可以作為工程師在不同技術層面的強大日常拍檔。以下為模型從單一提示詞生成的部分示例：

早期測試者分享了他們對 GPT‑5.2 編碼能力的意見：

GPT‑5.2 Thinking 的幻覺率較 GPT‑5.1 Thinking 明顯降低。在一組來自 ChatGPT 的去識別化查詢中，含錯誤的回覆相對下降了 38%。對於專業人士來說，這意味著在使用模型進行研究、寫作、分析和決策支援時，錯誤會減少，因此模型在日常知識工作中更加可靠。

與所有模型一樣，GPT‑5.2 Thinking 並非完美。針對任何關鍵事項，請務必查核答案。

GPT‑5.2 Thinking 在長上下文推理方面創下新標準，並在 OpenAI MRCRv2 評估中取得領先表現。該評估用於測試模型整合分散於長篇文件中資訊的能力。在真實應用情境中，例如需要整合跨越數十萬 token 的資訊以進行深度文件分析時，GPT‑5.2 Thinking 的準確度遠高於 GPT‑5.1 Thinking。值得一提的是，GPT‑5.2 Thinking 是我們首個在 4-needle MRCR 測試（上下文長度可達 256k token）中達到近乎 100% 準確度的模型。

在實際使用中，這讓專業人士能以 GPT‑5.2 處理大量長文件，例如報告、合約、研究論文、各種文字紀錄及多檔案項目，並在數十萬個 token 的內容中保持高度連貫和準確。配合處理大量資訊的能力，GPT‑5.2 特別適合進行深入分析、綜合和複雜的多來源工作流程。

對於需要超出最大上下文視窗的推理任務，GPT‑5.2 Thinking 亦可配合全新 Responses /compact 端點使用，以延伸模型的有效上下文視窗。這讓 GPT‑5.2 Thinking 能夠處理更多依賴工具的長時間運行工作流程，這些工作流程在其他情況下會因上下文長度而受限。在我們的 API 文件⁠（在新視窗中開啟）中了解更多。

GPT‑5.2 Thinking 亦是我們至今最強的視覺模型，在圖表推理及軟件介面理解方面的錯誤率減少約一半。

在日常專業應用中，這代表模型能更準確地理解資訊主頁、產品螢幕截圖、技術圖表和視覺報告，支援金融、營運、工程、設計和客戶支援等高度依賴視覺資訊的工作流程。

與以往模型相比，GPT‑5.2 Thinking 更能準確地掌握圖像中元素的位置，特別適用於需要理解相對版面配置才能解決問題的任務。在以下例子中，我們的系統引導模型識別圖像輸出中的各個組件（例如主板），並返回附有大致邊界方框的標籤。即使在畫質較低的圖像上，GPT‑5.2 仍能辨識主要區域，並繪製與每個組件真實位置大致相符的方框；相比之下，GPT‑5.1 只標記了少數部分，顯示該模型在空間關係理解方面較弱。

GPT‑5.2 Thinking 在 Tau2-bench Telecom 上取得 98.7% 的最新業界領先成績，展示模型在長時間、多輪次任務中可靠調用工具的能力。

在對延遲特別敏感的用例中，GPT‑5.2 Thinking 在「reasoning.effort='none'」設定下的表現，亦明顯領先 GPT‑5.1 和 GPT‑4.1。

對於專業人士而言，這代表模型能支援更強大的端到端工作流程，例如處理客戶支援個案、從多個系統提取資料、進行分析及生成最終輸出，同時減少流程中斷。

例如，當複雜的客戶查詢涉及多個步驟、需要完整解析流程時，模型能更有效地協調多個代理之間的工作。在以下用例中，一位旅客報告由於航班延誤而錯過轉機，因此需要在紐約過夜，並提出需要安排醫療座位。GPT‑5.2 能管理整個任務鏈，包括重新訂票、安排特別協助座位及處理賠償，而且提供的結果比 GPT‑5.1 更加完整準確。

我們希望 AI 能加速科學研究，並惠及所有人。為此，我們一直與科學家合作並聆聽他們的意見，了解 AI 如何能加速科研工作。上個月，我們在這裡⁠分享了一些早期的合作實驗。

我們深信，GPT‑5.2 Pro 與 GPT‑5.2 Thinking 是目前全球最能有效協助並加速科學研究工作的模型。在 GPQA Diamond 這個研究生級別、防止依靠 Google 搜尋的科學問答基準中，GPT‑5.2 Pro 取得 93.2%，GPT‑5.2 Thinking 則達到 92.4%。

在 FrontierMath（第 1–3 級）的專家級數學評估中，GPT‑5.2 Thinking 同樣創下新高，能解答 40.3% 的問題。

我們開始看到 AI 模型在數學和科學領域以具體方式顯著加速進展。例如，在最近與 GPT‑5.2 Pro 的研究工作⁠中，研究人員探討了一個統計學習理論中的未解問題。在一個狹義且界定明確的研究設定中，模型提出了一個證明，其後經由作者驗證並交由外部專家審閱，展示了前沿模型在嚴格人類監督下如何協助數學研究。

在 ARC-AGI-1（已驗證）這個用於衡量一般推理能力的基準測試中，GPT‑5.2 成為首個突破 90% 門檻的模型，較去年 o3‑preview 的 87% 再有提升，同時將達至該表現的成本降低約 390 倍。

而 ARC-AGI-2（已驗證）的測試就提升了難度，並更有效地分離出流體推理能力。GPT‑5.2 Thinking 在思路鏈模型中創下新的業界標準，取得 52.9% 的成績。GPT‑5.2 Pro 的表現更佳，取得 54.2% 的成績，進一步拓展了模型在處理新穎及抽象問題時的推理能力。

這些評估中的改進反映出 GPT‑5.2 具備更強的多步推理能力、更高的量化準確度，以及在處理複雜技術任務時更可靠的問題解決能力。

以下是早期測試者對 GPT‑5.2 的看法：

在 ChatGPT 中，用戶應會察覺到 GPT‑5.2 在日常使用上更加好用，回覆更有結構、更可靠，同時仍然保持自然愉快的對話體驗。

GPT‑5.2 Instant 是一款快速實用的日常工作與學習工具，在資訊查詢、操作指南、技術寫作和翻譯方面均有明顯改進；並在 GPT‑5.1 Instant 引入更溫暖的對話語氣基礎上進一步提升。早期測試者特別指出，解釋更清晰，能夠在一開始就呈現關鍵資料。

GPT‑5.2 Thinking 專為處理更深入的工作而設，協助用戶應付更複雜的任務，在完成度與細緻度上亦有所提升。它在編碼、總結長文件、回答有關上載檔案的問題、逐步解決數學和邏輯問題，以及協助規劃與決策方面均有明顯進步，結構更加清晰，提供的細節亦更加實用全面。

GPT‑5.2 Pro 是我們最智能、最可靠的模型，適用於需要高質量答案、且容許較長回應時間的艱深問題。早期測試顯示，模型的重大錯誤更少，而在程式開發等複雜領域的表現亦更加強大。

GPT‑5.2 建基於我們在 GPT‑5 中提出的安全完成⁠研究，令模型能在遵守安全界限的前提下，提供最合適、最有用的回覆。

在此版本中，我們持續加強模型在敏感對話中的回應能力⁠，尤其在處理涉及自殺或自殘跡象、心理健康困擾、情緒依賴等提示詞時，均有明顯改善。這些針對性的改進，令 GPT‑5.2 Instant 與 GPT‑5.2 Thinking 在敏感對話中的不良回覆明顯減少，相比 GPT‑5.1 及 GPT‑5 Instant 和 Thinking 模型均有進步。相關詳情可參閱系統說明卡⁠。

我們正處於推出年齡預測模型⁠的初期階段，可自動替未滿 18 歲的用戶套用內容保護措施，以限制其接觸敏感內容。此功能延伸現有的未成年用戶保護方針，以及我們的家長控制機制。

GPT‑5.2 是持續改進路上的其中一步。雖然這次更新在智能和工作效率方面都有實質提升，但我們明白用戶在部分領域希望看到更多改進。在 ChatGPT 中，我們正積極改善已知問題（例如過度拒絕），同時持續提升整體安全機制與可靠性。這些變更牽涉的層面繁多，我們會全力確保其正確、穩妥地落實。

在 ChatGPT 中，我們將於今日起陸續推出 GPT‑5.2 Instant、Thinking 和 Pro，並率先提供予付費計劃（Plus、Pro、Business、Enterprise）用戶。GPT‑5.2 會分階段部署，以確保 ChatGPT 的整體運作穩定；如未能即時顯示，請稍後再試。在 ChatGPT 中，GPT‑5.1 將以現行模型形式供付費用戶使用三個月，之後將正式停用。

在我們的 API 平台中，GPT‑5.2 Thinking 現已可透過 Responses API 和 Chat Completions API 使用，模型名稱為 gpt-5.2；而 GPT‑5.2 Instant 則為 gpt-5.2-chat-latest。GPT‑5.2 Pro 在 Reponses API 中以 gpt-5.2-pro 提供。開發人員現可在 GPT‑5.2 Pro 中設定推理參數，而 GPT‑5.2 Pro 和 GPT‑5.2 Thinking 現亦支援全新的第五級推理強度「xhigh」，適用於以質素為最高優先的任務。

GPT‑5.2 的收費方式為每百萬輸入 token：$1.75，每百萬輸出 token：$14，並對快取輸入提供 90% 折扣。在多項代理評估中，我們發現，雖然 GPT‑5.2 的單個 token 成本較高，但由於其 token 使用效率更佳，達至相同品質水平的總成本反而更低。

雖然 ChatGPT 的訂閱收費維持不變，但在 API 中，由於模型能力更強大，GPT‑5.2 的 token 收費會較 GPT‑5.1 略高。不過，它的價格仍低於多個同級前沿模型，讓企業與開發人員能在日常工作與核心應用中持續深入使用。

我們目前並無計劃在 API 中淘汰 GPT‑5.1、GPT‑5 或 GPT‑4.1。如有相關計劃，我們會事先充分通知開發人員。雖然 GPT‑5.2 已能在 Codex 中直接運作並具良好表現，我們預計會在未來數週內推出一個針對 Codex 優化的 GPT‑5.2 版本。

GPT‑5.2 是我們與長期合作夥伴 NVIDIA 及 Microsoft 共同開發的成果。Azure 數據中心與 NVIDIA GPU（包括 H100、H200、GB200-NVL72）共同支撐 OpenAI 的大規模訓練，推動模型智能的重大提升。這項合作讓我們能更有信心地擴展運算資源，加速將新模型帶到市場。

以下我們列出 GPT‑5.2 Thinking 的完整基準測試分數，以及 GPT‑5.2 Pro 的部分測試結果。

^{除專業評估外，我們均在 API 中以可用的最高推理強度運行模型（GPT‑5.2 Thinking 和 Pro 使用「xhigh」，GPT‑5.1 Thinking 使用「high」）。在專業評估中，GPT‑5.2 Thinking 則以 ChatGPT Pro 中可用的最高推理強度「heavy」運行。基準測試在研究環境中進行，因此在部分情況下，其輸出可能與正式版 ChatGPT 略有不同。}

^{* 在 SWE-Lancer 中，有 237 題中的 40 題未能在我們的基礎設施上運行，已予以排除。}