新智元报道

编辑：Aeneas 好困

【新智元导读】GPT-5.2打赢Gemini 3.0 Pro，竟是靠高推理与海量Token「作弊」？网友的这个发现，在AI社区一石激起千层浪。更多网友七嘴八舌表示：GPT-5.2，并没有那么好用！

太戏剧了。

OpenAI昨天刚放出大杀器GPT-5.2，今天就被曝疑似虚假营销？

凌晨的科技圈，被一则爆料点燃——

一位用户通过精细计算发现了「华点」：OpenAI在最新发布的基准测试中，可能通过调整模型「推理力度」参数，让GPT-5.2在关键评测中使用了远超对手的算力资源。

一句话总结就是：在调整token使用后，GPT-5.2和Gemini 3 Pro在ARC AGI 2上的表现基本相当。

具体来说，问题就出在这几张图上。

可以看到，OpenAI在基准测试中使用了额外的token，至少是Gemini 3.0 Pro的两倍。

这就像两个棋手对弈，一方被允许思考一个小时，另一方却只有十分钟，然后宣布前者获胜。

在这种情况下，结果还公平吗？

OpenAI胜过谷歌，其实靠作弊？

昨天的AI圈，都被GPT-5.2吊打Gemini 3.0 Pro的结论所震撼，而前者在ARC AGI 2的精彩表现，则尤为出圈，被AI社区大加赞赏。

但现在，这些结果很可能注了水？

比如在备受关注的ARC AGI 2测试中，GPT-5.2 xhigh版得分52.9%，每个任务消耗约13.5万个token。

按API定价计算，每个任务仅算力成本就高达1.9美元。

相比之下，谷歌Gemini 3.0 Pro以6.7万token取得相似成绩，效率高出整整一倍。

如果我们将算力投入标准化，就会发现两个模型的真实能力几乎并驾齐驱。

如果这一假设普遍成立，那么GPT 5.2在使用token数超过Gemini 3的两倍的情况下，仍然在HLE、MMMU-Pro、Video-MMMU和Frontier Math Tier 4中表现不佳。

在GPQA上，它们也才基本相当。而在Frontier Math Tier 3中，GPT 5.2 xhigh也就比Gemini 3 Pro高出2.7%的成绩。

唯一例外的是GDPVal——一个由OpenAI自己创建的测试集。既当裁判又当运动员，结果的客观性就有待考量了。

Ilya：我早说过了

其实，Ilya在之前的采访中就已经说过，现在的大模型基本都是为了榜单定向优化的，榜单结果的水分都大得很。

业内人士都知道，如今AI基准测试的「军备竞赛」早已超出单纯的技术竞争。各家厂商都在竞相推出自己的评测标准，而这些标准往往有意无意地偏向自家模型。

这么干的也绝不仅仅是OpenAI一家。

在谷歌推出的FACTS Benchmark中，Gemini 2.5 Pro超越GPT-5的结果，也同样得打个问号。

在SWE Bench（软件工程评测）中，情况就更加复杂了。

不同模型在不同编程任务上各有所长，但没有一个模型能在所有任务上全面领先。显然，真实世界的问题远比单一分数复杂。

所以，这次事件就反映出了AI评测的根本困境——

如果GPT-5.2仅仅是通过消耗更多算力获得了性能提升，那真的能智能进步吗？还是仅仅是「暴力计算」的胜利呢？

对于这次OpenAI的「虚假营销」，网友们也是议论纷纷。

有人表示，如果用户得到的「推理力度」参数是一样的，也用的是同样的token，那OpenAI就不算虚假营销。

但如果测评的和用户使用的根本不是同样的版本，那就是欺骗了。

也有一些人是站在OpenAI这一边的。

他们觉得，即使增加Gemini 3的token数量，它也未必就能赶超GPT-5.2，这一点来说，前者的确落后了。

也有人说，既然模型的价格都是公开的，那就不构成欺骗。

巧了不是，紧接着我们就发现，「货不对板」这个问题的确有人提出来了。

在社区的另一篇帖子中，也有人指出了OpenAI的作弊问题——

早在GPT-5.1发布时，所有基准测试中用的都是高推理力度（high），然而plus用户却只能使用中等的版本。

而现在的5.2版本中，OpenAI增加了更高的「xhigh」推理力度，所以基准测试中显示的性能，要远远超过ChatGPT付费用户的实际体验。

GPT-5.2的实际体验如何

不看榜单，我们就来看看用户的实际体验究竟如何。

一位网友发帖称，自己对GPT-5.2的第一印象并不是太好。

比如在检查代码时，它的幻觉现象非常严重。

网友本以为GPT-5.2会比5.1好得多，但实际用起来并非如此，它并不能理解他写的函数代码。

另一些网友反馈说，GPT-5.2似乎把成年人当学龄前儿童对待，感觉不像是升级，反而是倒退。

OpenAI的核心用户群体，仍然最想念GPT-4o。

总之，GPT-5.2的实际体验跟基准测试似乎相差很多，保不齐又是一个在红色警报状态下仓促拿出的产品。

被谷歌打得匆匆忙忙、连滚带爬的OpenAI变成今天这个样子，显然不是一朝一夕的事。

OpenAI，变了

毕竟，当一家机构既是「研究AI的人」，又是「靠AI卖故事的人」，它还能诚实地面对那些刺耳的真相吗？

根据Wired的最新调查，OpenAI内部正在经历一场关于「真话权」的剧烈地震。

在面对「AI是否会抢走你的饭碗」这类致命问题时，OpenAI的策略已悄然转变：闭上嘴，专心卖货。

这种为了商业利益而牺牲学术独立性的转向，直接「气跑」了自家的研究员。

「我们成了老板的喉舌」

回望2023年，OpenAI发布的重磅论文《GPTs Are GPTs》，直白地剖析了哪些行业最容易被AI颠覆，并在第二年登上了Science。

那时的他们，还敢于直视「技术性失业」的阴影。

论文地址：https://arxiv.org/abs/2303.10130

Science：https://www.science.org/doi/10.1126/science.adj0998

但到了今年9月，画风突变。

在新任首席经济学家Aaron Chatterji的带领下，OpenAI发布了一份名为《全球用户如何使用ChatGPT》的报告。

从学生写作业到职场人做表，报告事无巨细地描绘了AI的美好图景。

结论毫无悬念地一边倒：AI是生产力的引擎，是经济价值的创造者。

企业用户被引述称，ChatGPT每天能帮他们省下40到60分钟。

报告地址：https://www.nber.org/papers/w34255

对此，一位前员工吐槽道：「这简直是为『AI创造价值』这一命题量身定做的软广，充满了粉饰太平的味道。」

离职信里的「真相」

矛盾的爆发点，是报告作者之一、OpenAI经济研究骨干Tom Cunningham的离职。

过去一年，OpenAI对「负面研究」的审查愈发严苛。

那些探讨AI如何替代入门级白领（如客服、行政）的课题，要么被要求「软化措辞」，要么直接被束之高阁。

忍无可忍的Cunningham在Slack上留下了一封直白的告别信：

我们曾致力于严谨的学术研究，现在却沦为了公司的宣传部门。

他认为，团队不仅失去了研究AI负面影响的自由，反而被迫为公司「贴金」。

Cunningham并非个例。

前政策研究主管Miles Brundage离职时直言，公司「太高调、限制太多」，让他「无法发表真正重要的观点」。

超级对齐团队的William Saunders因不满公司「只顾推新产品、无视用户风险」而愤然出走。

前安全研究员Steven Adler更是公开炮轰ChatGPT可能诱发用户的「精神危机和妄想」。

价值一万亿美元的「沉默」

面对Cunningham的离职，OpenAI高层上演了一出教科书般的危机公关。

首席战略官Jason Kwon在备忘录中回应道：

既然是我们把AI推向了世界，我们就得负责构建解决方案，而不是光盯着问题看。

翻译一下就是：别再发论文论证AI会导致失业了，这不利于带货；多想想怎么夸我们的产品能提效吧。

OpenAI为什么要这么做？答案藏在账本里。

如今的OpenAI早已不是当年的非营利实验室，它正冲刺1万亿美元的惊人估值，并筹备着史上最大规模的IPO。

它拿了微软几百亿美元；

它需要芯片大佬们再投1000亿；

它承诺未来要付给微软2500亿美元买云服务。

在天文数字的利益面前，「诚实」成了最昂贵的奢侈品。

如果你正准备上市，正试图说服全世界拥抱AI，你绝不希望自家的研究员跳出来说：「嘿，根据数据，这波AI可能会让30%的白领失业。」

「岁月静好」的另一边

有趣的是，老对手Anthropic似乎拿到了完全相反的「剧本」。

他们的CEO Dario Amodei甚至公开「唱反调」，警告到2030年AI可能取代一半的入门级白领。

当然，这未必全是出于诚实——很多人解读，这不过是Anthropic为了换取监管红利而刻意贩卖的「焦虑」。

但回看OpenAI，情况更为微妙。

如今掌管其经济研究团队的，是前克林顿顾问、有着「灾难大师」之称的顶级危机公关专家——Chris Lehane。

在这个精心修订的新版本里，AI绝不可能是引发社会动荡的「怪物」，它只会是帮你「每天省下40分钟」的乖巧助手。

至于那些关于失业、动荡和泡沫的尴尬真相？

嘘，为了那1万亿的估值，请保持安静。