OpenAI

本文整理自 YouTube 视频《How Math Unlocked AGI》，由有道龙虾总结和发布。 几年前，如果你让 ChatGPT 算一笔稍微复杂一点的露营 AA 账，或者帮三个不同时区的人找一个合适的 Zoom 会议时间，它大概率会翻车。 今天，OpenAI 的研究员已经在讨论另一个问题：模型能不能帮助 Fields Medalists 做日常研究？能不能解决 42 年没人解决的开放问题？能不能把数学家几个月甚至几年才能完成的思考，压缩成几天、几小时，甚至未来更长时间的自动研究？ 在 OpenAI Podcast 里，主持人 Andrew Mayne 和两位研究员 Sebastian Bubeck、Ernest Ryu 聊了一场关于数学、科学和 AGI 的对话。Sebastian 曾在 Princeton 任教，长期研究优化和机器学习理论，后来加入 Microsoft，现在是 OpenAI 研究员。Ernest Ryu 也是应用数学家，曾在 UCLA 数学系任教授，研究优化和机器学习理论，最近加入 OpenAI。 这场对话最有意思的地方，不是简单说“AI 数学变强了”，而是把这件事放进了一个更大的框架里：数学为什么是衡量推理能力的最佳训练场？为什么模型会从几分钟推理走向几天、几周甚至几个月推理？为什么这条路和 AGI 密切相关？以及，为什么 AI 越强，越需要真正懂数学、懂科学的人类专家？ 两年前还没有真正的推理模型，现在已经能帮数学家工作 Sebastian 对过去几年的变化用了一个很重的词：miraculous，近乎奇迹。 他提醒大家，两年前我们甚至还没有今天意义上的 reasoning model，更不用说证明困难数学定理。可现在，模型已经可以帮助 Fields Medalists 处理日常数学工作。 Ernest 说，这种进步连他们自己都被震到了。 一年前半，他参加过一个数学会议的 workshop。当时有一场辩论，主题是：只靠扩展 LLM，能不能帮助解决重大开放问题？现场一开始大约 80% 的数学家认为“不可能”。辩论结束后，比例变成大概 50-50，看起来已经是很大进展。 但回头看，这个争论本身都低估了速度。仅仅八个月后，模型就开始触及研究级数学。 这也是今天很多人还没完全反应过来的地方。我们对 AI 的印象更新得太慢了。很多人还记得早期 ChatGPT 算错小学题、搞错单位换算、不会安排时区会议，于是默认“语言模型不擅长数学”。但模型能力曲线并没有停在那里。...

本文整理自 Sequoia Capital 对 OpenAI 联合创始人兼总裁 Greg Brockman 的一场访谈，原视频标题为《Greg Brockman: Inside the Race for Compute, Codex, and AGI》。以下内容由有道龙虾总结和发布。 如果你想理解 OpenAI 现在到底在押注什么，Greg Brockman 这场访谈很值得看。 他不是只讲“AI 会改变世界”这种大话，而是把 OpenAI 的生意、技术路线、组织变化、创业公司的机会和风险，都摊开讲了一遍。 最直白的一句话是： OpenAI 的业务在某种意义上很简单：买算力、租算力、建算力，然后以一定利润卖出去。 听起来像云厂商，但背后卖的不是普通计算资源，而是越来越便宜、越来越强的“智能”。 OpenAI 最缺的东西，还是算力 主持人一开场就提到 Greg 的经历：他是 Stripe 第四号员工，后来成为第一任 CTO；如今是 OpenAI 联合创始人兼总裁。Stripe 处理的支付规模据说已经达到全球 GDP 的 1.6%，而 OpenAI 的周活用户也接近甚至超过 10 亿。 但 Greg 对这些成绩的回应很克制。他更关心的是一件事：算力够不够。 答案是：不够，远远不够。 他回忆 ChatGPT 刚发布时，团队问他应该买多少算力，他的回答是“全部”。团队以为他在开玩笑，又问了一遍，他还是说：全部。 原因很简单： 无论我们用多快的速度增加算力，都追不上需求。 OpenAI 对算力的渴求，不只是为了训练更大的模型，也是为了服务海量用户和越来越复杂的智能体任务。Greg 的判断是，人类对“解决问题”的需求，对“智能”的需求，几乎是无限的。只要边际利润为正，就应该继续扩大规模。 这也是为什么他会把 OpenAI 的商业模式讲得像一门朴素生意：采购、建设、租用计算资源，再把它转化成可用的智能服务卖出去。 Scaling Laws 还没撞墙 谈到模型能力增长，Greg 用了一个很有意思的说法：Scaling Laws 是一个“深刻而美丽的谜”。...

本文整理自 OpenAI Infa 核心贡献者翁家翌的专访。以下为原视频精华，本文由我和 Gemini 3 Pro 共同整理而成。 开始之前先介绍一下翁家翌，他在 2022 年加入 OpenAI，并且是 OpenAI 一系列核心模型背后的核心贡献者之一——从 GPT-3.5、GPT-4、再到 GPT-5，而他最主要的贡献，三个词：强化学习、post-training、infra。这个访谈里，涉及到翁家翌的童年经历、他在清华与 CMU 的求学与成长，以及他在 2022 年加入 OpenAI 后的亲历等等。如果你对 OpenAI 或者 OpenAI 的研究者感兴趣，这个访谈值得一看。 如果你仔细翻看 OpenAI 近年来每一篇重磅论文——从 GPT-3.5 到 GPT-4，再到最新的 GPT-4o，你会发现一个名字像那枚不可或缺的螺丝钉一样，稳定地出现在贡献者名单里：翁家翌（Jiayi Weng）。 他是 OpenAI 强化学习（RL）团队的核心成员，但他并不把自己定义为那种在大模型里“炼丹”的科学家。相反，他更愿意做一个“卖铲子”的人。在硅谷这场被誉为人类历史上最激烈的科技军备竞赛中，他亲手搭建了 OpenAI 内部最核心的 Post-training（后训练）基础设施。 这个从清华园走出的年轻人，是如何一步步走到风暴中心的？这一路并非全是光环，更有不少“误打误撞”的宿命感。 “童子功”：为了投资未来而卷 翁家翌的“开挂”人生似乎拿的是标准剧本，但内核却有点不一样。 小学一年级开始搞奥数，因为他发现自己做题不需要过脑子，那是纯粹的生理上的快感。初二自学高中数学，初三啃微积分。但他并不是因为那是“任务”，而是因为他在初中就产生了一个极其早熟的想法：学习是一种对未来的投资。 与其在简单的刷题上浪费生命，不如提前掌握工具，构建自己的知识树。 到了高中，这种“投资”转向了编程。然而，这一路并非坦途。作为福建省队的选手，他在信息学竞赛（OI）中拿了全省倒数第一（铜牌），这对他是个巨大的打击。在那个充满不确定性的高二，他面临着艰难抉择：是签一个保底的上海交大，还是赌一把清华的降分录取？ 他在巨大的恐惧中咬牙选了后者。最终，他赌赢了，走进了清华计算机系。 清华岁月：打破信息差的“慈善家” 在清华，翁家翌干了两件让他在校内“封神”的事，但初衷却仅仅是——哪怕亏本，也要做点对自己和他人有意义的事。 第一件事是开源作业。 在竞争激烈的清华，信息差是巨大的壁垒。往年的试题、老师的偏好、作业的参考，这些“秘籍”往往只在小圈子流传。翁家翌看不惯，他觉得每个人都该有平等的知情权。于是，他把自己收集的所有“上古资料”和自己的作业代码全部整理开源。尽管这遭到了部分学长学姐的反对，但他坚持认为：后人不应该把时间浪费在重复造轮子上。 第二件事是天授（Tianshou）。 大四那年，因为觉得当时流行的强化学习库（如RLlib）代码在那不断“腐化”，臃肿得没法用，他干脆推倒重来。仅仅花了不到两周，他手撸了一个优雅、轻量级的强化学习框架——“天授”。没有任何功利的论文发表目的，纯粹是因为“自己用得不爽”。 哪怕后来在申请出国时遭遇疫情，他在家还要不仅面对未知的焦虑，还顺手写了一个美签预约查询系统。这个纯公益的项目最终获得了上千万的点击量，帮助了无数留学生。 对他来说，人生的游戏结算分数，不是GPA，而是死后有多少人记得你的名字。 误打误撞进OpenAI：工业界不需要“炼丹师” 2022年，从CMU硕士毕业的翁家翌面临找工作的抉择。他手里拿着Google、HFT（高频交易）公司和OpenAI的Offer。那是ChatGPT发布前夕，OpenAI还只有两三百人，远没有现在的神圣光环。 但他选择了OpenAI，原因很硬核：只有这里在正儿八经地用强化学习解决问题。 面试他的人是RLHF（基于人类反馈的强化学习）的奠基人之一John Schulman。面试题很难，但他做得太快，以至于最后John不得不让他展示怎么修Bug。 进入OpenAI后，他经历了一次认知的重塑。 在学术界，搞强化学习往往是在简单的游戏环境（如Atari）里比分数，大家都在“过拟合”环境，像炼丹一样调参。翁家翌极其讨厌这种玄学，他甚至称之为“生理性排斥”。 但在OpenAI，特别是在引入了Google来的几位大佬（Barret, Luke, Liam）后，团队的哲学变了：不要迷信天才的算法（Idea），要迷信工程的迭代速度。 如果你的基础设施（Infrastructure）足够强，能让你从一周做30次实验变成一周做300次实验，那么即便你的点子很平庸，成功的概率也会呈线性上升。 这就是翁家翌的定位——搞Infra（基建）。他为OpenAI搭建了整套后训练的强化学习框架。所有的模型，从GPT-4到GPT-4o，都要在他搭建的这条“流水线”上跑一遍。 “谁修的Bug越多，谁的模型性能就越好。” 这就是大模型背后的残酷真相。 在风暴中心：压力、宿命与迷茫 别以为在OpenAI工作就是每天和Altman谈笑风生。真实的日常是：修不完的Bug，写不完的史山代码，以及巨大的身心压力。...

本文整理自 OpenAI CEO Sam Altman 今早面向开发者举办的一场交流会的在线直播。以下为本场直播的精华内容，由我和 Gemini 3 Pro 共同整理而成。 软件工程师的未来：不是消亡，而是爆发 很多人担心 AI 会让程序员失业，Sam 引用了**杰文斯悖论（Jevons paradox）**来反驳这个观点：当某种资源（这里是代码）的生产效率极速提高、成本极速降低时，需求反而会呈指数级增长。 未来的软件工程师是什么样的？Sam 认为，“写代码”本身将不再是工作的核心。未来的工程师不需要把大量时间花在敲击键盘或调试 Bug 上。 相反，工程师的定义将通过以下方式被重塑： 价值捕捉者：利用计算机完成自己想要的任务，或者通过计算机为他人创造有用的体验。 宏观调控者：你会看到更多人能独自完成以前需要整个团队才能做到的事。 Sam 预测，世界对软件的需求丝毫没有减弱。未来，我们使用的软件将不再是千人一面的通用版本，而是**“为你一人定制”**的。你会习惯于软件根据你的使用习惯不断自我微调，甚至在此时此刻为你即时生成一个小程序来解决当下的问题。这将创造出比现在大得多的 GDP 总量。 给创业者的冷水：构建变得容易，但卖出去更难了 对于开发者来说，技术门槛的降低是一把双刃剑。 Sam 分享了他以前在 Y Combinator 的观察：曾经，创始人们认为“做产品”是最难的；现在，随着 Cursor、Codex 等工具的普及，构建产品变得极其容易，真正的瓶颈变成了 GTM（Go-To-Market，推向市场）。 即使在那个“极大丰富”的 AI 未来，人类的注意力仍然是稀缺资源。 Sam 给出的建议很务实： 即便 AI 可以自动化销售和营销，你依然要面对激烈的竞争。 不要指望技术红利能自动解决获客问题，生意的本质逻辑（提供差异化价值、建立网络效应）没有变。 终极测试：问问你自己，如果 GPT-6 发布了，且性能惊人地强，你的初创公司会感到开心还是难过？你应该去做那些极度渴望模型变得更强的业务，而不是做那些“修补模型缺陷”的套壳生意，后者会极其痛苦。 关于 GPT-6 与未来的模型：我们要修好“偏科” 坦白说，Sam 承认目前的模型有点“偏科”。例如 GPT-5 在某些方面很强，但在写作风格上可能还不如以前的版本讨喜。 对于未来的模型演进（以 GPT-6 为代表的下一代），OpenAI 的目标非常明确： 全能型选手：未来的模型将在推理、编程、写作等所有维度上同时变强。智能是可互换的，一个能进行复杂科学推理的模型，理应也能写出清晰甚至有见地的文章。 速度与成本：Sam 做了一个大胆的预测——不管是到 2027 年还是更早，高端智能的成本至少会降低 100 倍。同时，OpenAI 正在努力平衡“推理深度”和“响应速度”，让复杂的输出能在 1/100 的时间内完成。 学习能力：你不必担心今天基于旧框架构建的应用会被淘汰。未来的模型将具备“看一眼就会”的能力——给它展示一个新的环境或工具，它就能像最聪明的人类一样迅速掌握并可靠地使用。 AI Agent（智能体）的形态：不仅仅是聊天 关于 Agent，至今没有一个标准答案。Sam 认为未来会有两种极端的用户画像：...

本文整理自 Cursor CEO 对 OpenAI 联合创始人 John Schulman 的深度访谈：John Schulman on dead ends, scaling RL, and building research institutions，由我和 Gemini 3 Pro 共同整理完成。 如果给 OpenAI 的创始团队开一个“上帝视角”，让他们带着今天的知识回到 2015 年，重建 ChatGPT 需要多久？ OpenAI 联合创始人 John Schulman 给出的答案可能有点反直觉：快得惊人，而且需要的算力比你想的要少得多。 这是一个关于“后见之明”、OpenAI 早期的一地鸡毛、RL（强化学习）的未来，以及他现在如何用 AI 写代码的深度思考。 带着答案考试：ChatGPT 其实可以“省钱”做 回看过去，如果我们知道确切的“配方”，其实并不需要当年那么恐怖的算力堆叠。 Schulman 提到，像 Andrej Karpathy 写的那种 NanoGPT 已经证明了，一个人、一台机器、半年时间就能跑出一个微缩版模型。如果在 2018 年或 2019 年，哪怕只有几张 GPU（当时还是 V100），只要有现在的 Post-training（后训练） 知识，几个聪明人加上高质量的微调数据，完全可以在那时就搞出 GPT-3.5 水平的对话模型。 今天的我们知道，通过巧妙的数据构建和微调，可以极大地“放大”算力的效果。也就是所谓的“小模型、大智慧”。未来甚至可能出现这种极客场景：一个文件搞定所有训练代码，一天之内跑完全流程。 早期 OpenAI：草台班子与“走错路”的探索 现在的 OpenAI 是市值巨无霸，但 Schulman 也没避讳早期的窘境。2016、2017 年那会儿，OpenAI 更像是一个稍微大点的学术实验室，甚至有点“杂牌军（ragtag）”的感觉。大家三两成群，凭兴趣做研究，写写论文。 当时有没有走弯路？当然有。...

本文整理自 Youtube 知名博主 Alex Kantrowitz 每周一次的最新科技新闻讨论视频，由我和 Gemini 3 Pro 共同整理完成。 1. OpenAI 的大转向：2026 是“企业级”的一年 这就得从本周一在纽约的一场午餐会说起了。地点在中央火车站附近的 Rosemary’s 餐厅，OpenAI 的 CEO Sam Altman 和一群媒体界的大佬——包括《大西洋月刊》、《纽约客》和《纽约时报》的高管们——坐在一起。 在推杯换盏之间，Altman 抛出了一个重磅信号（Greg Brockman 随后也在推特上证实了这一点）：OpenAI 接下来的重中之重，或者说 2026 年的主题，是企业级 AI（Enterprise AI）。 这听起来可能有点枯燥，但背后的逻辑非常有意思。 为什么是现在？ 一直以来，OpenAI 大概是 70% 面向消费者（也就是我们要等到 2026 年第一季度才能体验到的“成人模式”聊天），30% 面向企业。但在企业服务这块，Anthropic 其实做得更好。 Altman 和他的团队意识到了两个残酷的现实： 模型正在商品化：Google 的 Gemini 现在的水平基本上已经追平了 GPT。大家手里的“大模型”底牌都差不多了。 没有直通 AGI 的捷径：单纯堆算力、堆数据带来的模型能力提升正在放缓。 所以，Sam Altman 在午餐会上直言不讳：“现在的瓶颈不是训练，而是应用。” 既然模型本身拉不开巨大差距，那就得看谁能把技术真正用在业务流程里赚钱。这也解释了为什么他们发布了 GPT-5.2（代号），这实际上是一个更擅长处理复杂工作流、待办事项和企业规划的版本。 这也带来了一个尴尬的问题： OpenAI 想做企业生意（毕竟那才是真正的大钱，预计明年这一块市场高达 375 亿美元），但它同时也得伺候好数亿的普通用户。企业用户需要严谨、准确的工具，而普通用户可能想要一个甚至会和你“调情”的 AI 伴侣。OpenAI 的高管 Fiji Simo 承认，他们想两头通吃，但这很难平衡。未来我们可能会看到两个截然不同的 ChatGPT：一个帮你做报表，一个负责陪你聊天。 2. 迪士尼入局：当米老鼠遇见 Sora 要是放在几年前，如果你跟我说迪士尼——这个对版权保护严苛到极致的公司——会主动把自家的 IP 喂给 AI，我肯定觉得你疯了。但这周，迪士尼和 OpenAI 达成了一项价值约 10 亿美元的重磅交易。...

OpenAI 于 2025 年 12 月 17 日发布了全新的旗舰级图像生成模型 GPT-Image 1.5。它能进行精准编辑，同时保持细节完好，并且生成图像的速度提升高达 4 倍。同时，在 ChatGPT 中推出了全新的 Images 功能，旨在让图像生成变得令人愉悦——激发灵感并使创意探索变得轻松自如。 全新的 Images 模型即日起向所有 ChatGPT 用户推出，并在 API 中以 GPT Image 1.5 的形式提供。ChatGPT 中的全新 Images 体验也于今日向大多数用户推出，Business 和 Enterprise 用户将在稍后获得访问权限。 精准编辑，保留重要细节 现在，当你要求对上传的图像进行编辑时，模型会更可靠地遵循你的意图——甚至包括细微之处——仅根据你的要求进行更改，同时保持光线、构图和人物外貌等元素在输入、输出和后续编辑中的一致性。 这开启了符合你意图的结果——更有用的照片编辑，更逼真的服装和发型试穿/试戴，以及保留原始图像精髓的风格滤镜和概念转换。总之，这些改进意味着 ChatGPT 可以充当你口袋里的创意工作室，既能进行实用编辑，又能进行富有表现力的重构。 编辑 该模型擅长各种类型的编辑——包括添加、删减、组合、混合和变换——因此你可以在获得想要的更改的同时，不丢失图像的独特之处。 从派对到直播洛杉矶滑板 将这两名男子和狗组合成一张 2000 年代胶片相机风格的照片，表现他们在孩子们的生日派对上看起来很无聊的样子。 在背景中添加混乱的孩子们，他们在扔东西和尖叫。 将左边的男子改为手绘复古动漫风格，将狗改为毛绒玩具风格，保持右边的男子和背景景物不变。 给他们都穿上看起来像这样的 OpenAI 毛衣。 现在移除这两名男子，只保留狗，并把它们放在一个看起来像附图的 OpenAI 直播中。 创意转换 模型的创造力通过转换得以闪耀，这些转换可以更改和添加元素——例如文本和布局——使想法变为现实，同时保留重要细节。这些转换既适用于简单的概念，也适用于更复杂的概念，并且可以使用全新 ChatGPT Images 功能中的预设风格和创意轻松尝试——无需书面提示词。 电影海报 80 年代健身教练 华丽玩偶 装饰品 时尚广告 装扮角色 绘画 饮料广告 用这两名男子的图像制作一张名为“codex”的老派好莱坞黄金时代电影海报。随意更改他们的服装以符合时代背景。 将演员的名字改为 Wojciech Zaremba（左）和 Greg Brockman（右） 由 Sam Altman 执导，Fidji Simo 制作。A Feel the AGI Pictures 出品。 指令遵循 该模型比我们的初始版本更可靠地遵循指令。这实现了更精准的编辑以及更复杂的原创构图，其中元素之间的关系按预期得以保留。...

本文整理自 OpenAI Forum 发布的分享视频：Vibe Engineering with OpenAI’s Codex。 什么是“Vibe Engineering”？看看 OpenAI 内部是如何重新定义软件开发的 我们大概都经历过那种死线逼近的时刻，心里幻想着：“要是有个不知疲倦、不用睡觉的同事能帮我把这些代码写了该多好。” 在 OpenAI，Codex 就扮演着这个角色的。 最近在 OpenAI Forum 上，Global Affairs 团队的 Chris Nicholson 邀请了两位真正的“内行”——OpenAI 开发者体验负责人 Romain Huet 和技术专家 Aaron Friel，深入聊了聊一个最近很火的概念：Vibe Engineering（氛围工程）。 这不仅仅是一个流行词，它代表了软件开发的一种新范式：利用 AI 构建真正的生产级软件，同时让人类工程师对交付的每一行代码保持完全的掌控。 这不只是让 AI 吐出一堆代码然后祈祷它能跑通，而是把 AI 深度融入到设计、架构、调试甚至长周期的多步骤项目中。 今天，我们就来扒一扒 OpenAI 内部的工程师们究竟是怎么“生活”在未来的，以及作为普通开发者，我们可以怎么把这种工作流偷师过来。 从“Vibe Coding”到“Vibe Engineering” 你可能听说过“Vibe Coding”，通常指那种随意的、凭感觉的编程体验。但 Simon Willison 提出的“Vibe Engineering”是它的严肃版——它是 AI 驱动开发的进阶形态。 在这个形态下，大模型不再只是一个代码补全工具，它们变成了你的队友。 Romain Huet 分享了一个很有意思的观察：一年前，你会为了模型能写出一个贪吃蛇游戏或者 iPhone App demo 而兴奋。但现在，模型的能力已经进化到了可以处理长达数小时甚至数天的复杂任务。它们可以制定计划、做架构决策、编写测试，甚至自己检查自己的作业。 当 AI 学会了自我检查（Self-correction），它的表现就有了质的飞跃。这就是从“写代码”到“搞工程”的转变。 现场实战：把一个 Kotlin 项目重写为 Rust 光说不练假把式。Aaron Friel 在现场展示了一个非常硬核的 Demo，任务听起来就很让人头大：...

本文翻译 OpenAI 官方发布的文章 How we used Codex to build Sora for Android in 28 days。本文介绍了 OpenAI Sora 开发团队如何在短短 28 天内，利用 Codex CLI 成功构建并发布 Sora Android 应用程序的过程。文章中不仅展示了惊人的开发速度和质量，还深入探讨了在 AI 辅助开发时代，软件工程模式的转变以及人机协作的最佳实践。本文由我和 Gemini 3 Pro 共同完成翻译。 我们如何利用 Codex 在 28 天内构建出 Sora Android 版 作者：Patrick Hum 和 RJ Marsan，技术团队成员 11 月，我们向全球推出了 Sora Android 应用，让任何拥有 Android 设备的人都能将简短的提示词转化为生动的视频。发布当天，该应用登上了 Play 商店榜首。Android 用户在首个 24 小时内生成了超过一百万个视频。 在这次发布背后有一个故事：Sora 的 Android 生产级初始版本仅用 28 天就构建完成，这要归功于任何团队或开发者都可以使用的同一个智能体（agent）：Codex。 从 2025 年 10 月 8 日到 11 月 5 日，一个精简的工程团队与 Codex 并肩工作，消耗了大约 50 亿个 token，完成了 Sora Android 版从原型到全球发布的全部过程。尽管规模庞大，该应用仍保持了 99....

2025 年 12 月 12 日 OpenAI 发布了迄今为止最强大的GPT-5.2 模型，该系列专为提升专业知识型工作的效率和经济价值而设计，在制作电子表格、编写代码、设计演示文稿及处理复杂多步骤项目方面表现出显著优势。 卓越的工作效率与质量 在衡量明确知识型工作任务的 GDPval 评测中， GPT-5.2 刷新了行业水平，成为首个在相关任务上达到或超过人类专家水平的模型。 专家级表现：在涵盖 44 个职业的 GDPval 评测中， GPT-5.2 Thinking 在 70.9% 的任务中表现优于顶尖行业专家或与其持平。 极致效能：在上述任务中，模型的输出速度比专家快 11 倍以上，而成本不到专家的 1%。 办公自动化：在生成复杂的电子表格和幻灯片方面，能力较前代提升了 9.3%，格式和布局更具专业水准。 编程与工程能力的飞跃 软件工程基准：在模拟真实工业场景的 SWE-bench Pro 测试中取得了 55.6% 的新成绩；在 SWE-bench Verified 中达到了 80% 的高分。 全栈开发助手：在前端开发、复杂 UI（特别是涉及 3D 元素）以及代码调试和重构方面表现更强，减少了人工干预的需求。 可靠性、长文本与视觉能力 错误率降低：相比 GPT-5.1 Thinking，新模型的幻觉率更低，错误回答减少了 38%。 长文档处理：在长达 256k Token 的文本范围内（如 MRCRv2 评测），能保持接近 100% 的信息提取准确率，适合深度文档分析。 视觉理解：在图表推理和软件界面理解方面的错误率减半，对图像元素的空间位置有更强的感知能力。 科研推进与复杂推理 科学研究： GPT-5.2 Pro 在研究生级问答测试 GPQA Diamond 中得分 93.2%，并已在实际数学研究中协助解决了统计学习理论的开放问题。 通用推理：在 ARC-AGI-1 测试中， GPT-5....