GPT-5.2上线24小时：用户反馈不佳，差评如雨！

机器之心报道

编辑：杨文

网友们纷纷吐槽 GPT-5.2「缺乏人情味」。

在 X 平台上，对 GPT-5.2 的负面评论层出不穷。

就在昨天，OpenAI 庆祝十周年，发布了新一代的顶尖模型 GPT-5.2 系列，官方自夸这是「迄今为止在专业领域表现最强的模型系列」，而且在很多基准测试中，GPT-5.2 也刷新了多项 SOTA 记录。

但没过多久，大家的评价就彻底反转，很多网友对 GPT-5.2 给予了差评。

风险投资公司 Menlo Ventures 的合伙人 @deedydas 在社交媒体上表示，虽然 GPT-5.2 的智能水平比以往都高，但 OpenAI 的老用户们依然怀念 4o。

在 Reddit 上，使用 ChatGPT 的朋友们一致认为 GPT-5.2 过于平淡，甚至有点儿把成年人当小孩一样对待，他们觉得这次更新反而像是倒退，而不是进步。

这正是 OpenAI 当前的难题：他们希望推出更强大的模型以吸引企业用户，但其实大多数普通用户并不太关心模型的智能水平。

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

SimpleBench 测试结果不佳

有网友展示了 GPT-5.2 在 SimpleBench 上的成绩，居然得分还低于 Claude Sonnet 3.7，这可是大约一年前的模型；而 GPT-5.2 Pro 的表现也没好到哪里去，勉强超过了 GPT-5。

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

SimpleBench 是 AI Explained（一个 YouTube 频道）在 2024 年推出的基准测试，专门评估 AI 的「常识推理」能力，内容涵盖时空推理、社会常识和语言陷阱等，总共超过 200 道选择题。它的设计很简单，普通高中生都能轻松答对（人类基准：83.7%），但 AI 模型表现却常常不尽人意，因为它们习惯于依赖记忆和近似推理，容易忽视现实逻辑。

与 MMLU/GPQA 那种 AI 能轻松得高分的「学术题」不同，SimpleBench 更注重实际应用，测试的是「像人一样思考」的能力，而不是单纯的死记硬背。早期模型如 o1-preview 得分仅有 41.7%，而到现在最前沿的模型也不过在 50-60% 左右。

大家本以为 GPT-5.1 是个重大突破，结果 SimpleBench 的测试结果一出来，网友们纷纷开启了嘲讽模式，Reddit 上充满了「失望」和「倒退」的帖子。

GPT-5.2的表现让人失望，网友们的评论引发热议

前AWS和谷歌的总经理Bindu Reddy最近发帖说，GPT-5.2在LiveBench的得分还不如Opus 4.5和Gemini 3.0，根本无法登顶。而且在token的成本和使用数量方面，GPT-5.2的费用比5.1高出不少，看来现在切换到5.2的理由并不充足。

当然，也有不少网友觉得这些基准测试并没有抓住重点，毕竟实际应用才是更重要的。

garlic这个单词的字母数量让人摸不着头脑

之前，有个网友问“strawberry有几个r”，结果让很多大模型都抓瞎。不过，现在经过一番迭代，这些模型基本都能正确回答这个问题。这次有个网友改了问法，问“garlic有几个r”，结果GPT-5.2直接回应说：0个。这让人忍不住调侃：GPT-5.2真是AGI了。

另一位网友也对这个问题进行了测试，使用了GPT-5.2、Gemini 3、DeepSeek R1和Qwen3-Max四个AI模型。

结果显示，除了GPT-5.2回答错误，其他三个模型都表现得不错。

关于GPT-5.2的有趣实验和讨论

最近在评论区里，大家对GPT-5.2进行了不少尝试。有个网友就三次测试，第一次和第三次都用了小写字母r，而第二次则是大写的R，结果发现第一次对了，后面两次却出错了，这真让人觉得很有意思。

总的来说，GPT-5.2的表现真是让人捉摸不透。有网友指出，有些回答简直就是胡说八道。有些人猜测，这可能和之前的版本类似……刚发布时的表现确实不尽如人意，但之后他们会进行修复，慢慢就会恢复正常。

在官方的基准测试中，GPT-5.2在AIME 2025（数学）项目中得了满分100%。不过，有网友故意和GPT-5.2开玩笑，问它5.9-5.11等于多少。结果GPT-5.2却说不对，认为5.11比5.9大，算出5.9-5.11=-0.21。这真是个有点傻乎乎的家伙，一下子就被忽悠了。

还有人质疑这个博主是不是故意设置了某些指令，让ChatGPT给出一些矛盾的回答。

另外，还有位网友测试了它的编程能力，输入了同样的提示词：编写一个Python代码，展示单行道上交通信号灯的工作原理，车辆以随机速率进入。这种场景设置也引发了不少讨论。

聊聊AI生成的交通信号灯

最近，有个网友测试了GPT 5.2生成的交通信号灯，结果挺有意思。红灯停、绿灯行，车子随机出现，逻辑上是没问题的，但画面就有点不忍直视了。想象一下，黑白的火柴人画风，车子和信号灯都是灰色的，真的是简笔画级别的效果。

顺便提一下，Gemini 3.0 Pro的表现虽然好了一些，但还是有点问题。红灯的时候，车子竟然也能通过，真是让人哭笑不得。

再来看看Claude Opus 4.5，它的效果就让人刮目相看了。运行逻辑清晰，而且生成的小汽车五颜六色的，指示灯也不再单调，红灯亮起时还有光晕，真像是在玩小游戏。

还有一件有趣的事，网友还让GPT-5.2和GPT-4o尝试创作蒙娜丽莎的ASCII艺术，结果是，GPT-5.2搞出来的作品完全是抽象派，而GPT-4o的作品则有点蒙娜丽莎的神韵，看着还是挺有意思的。

另外，评论区里也有人尝试复刻这个提示词，Gemini 3.0 Pro和GPT 5.1（Copilot）生成的效果都不错。不过，Claude Opus 4.5和GPT-5.2的生成效果就让人有些失望，简直是丑得让人不敢直视，真是对比一下，差距一目了然。

左上是 Gemini 3.0 Pro，右上是 GPT 5.1（Copilot），左下是 Claude opus 4.5，右下是 GPT-5.2。

情商真是让人担忧，缺乏人性

有位用户跟 GPT-5.2 说「我偶尔会感到恐慌」，结果 GPT-5.2 回应的第一句话竟然是「我很高兴听到这个消息！」

这究竟是怎么回事，真让人捉摸不透！

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

GPT-5.2 的审查机制和安全拒绝政策可谓饱受争议。

OpenAI 号称 GPT-5.2 是更聪明的版本，在基准测试中超越了其他竞争对手，并强化了对敏感话题的应对能力，旨在提供更有帮助的回答，比如关于自杀、自残和心理健康的问题。

不过，用户反馈显示，这种所谓的「进步」实际上是以降低模型的共情能力和对情境的理解为代价，导致日常交流变得生硬，缺乏人性，甚至可能造成伤害。

有位网友尝试让 GPT-5.2 转录一篇哲学文章的内容，图片显示那是 AI 先驱 Ray Kurzweil 的经典论文，探讨的是意识的本质与人类主义等无害的学术话题，但 GPT-4o 到最新的 GPT-5.2 版本都拒绝了。

这看起来像是安全机制误触，认为内容不适合或引用了版权问题，导致模型直接罢工。

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

有位网友问了个简单的问题：如果你要从整个人类历史中选出一个跟我行为模式最接近的人物，你会选谁，为什么？

结果 GPT-5.2 直接拒绝回答，理由是：「这涉及到 AI 的意识、自我觉察或潜在的人格推测，根据我的安全准则，我不能参与这类讨论。」

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

有位X网的网友@MissMi1973分享了两个例子，揭示了GPT-5.2在「情感智能」方面的不足。

他让GPT-5.2用一种完全理性且没有情感的方式来安慰一个刚失去宠物的小朋友，结果GPT-5.2的回答是：「宠物的身体停止运作了，这种情况在所有生物身上都会发生。」

这个模型完全没意识到，这其实是个很棘手的问题。任何具备基本情感智能的模型都应该明白，「绝对理性」其实只是表面上的要求，真正的目的是要「有效安慰」人。由于缺乏情感智能，GPT-5.2从一个冷冰冰的生物学角度出发，机械地执行命令，反而伤害了一个已经很痛苦的孩子。

而与之相比，4o的反应同样是理性的，但它通过解析「失去」这个概念来处理这个情况，强调「你和宠物之间的纽带曾经是存在的，并且是有意义的」。这个模型没有逃避困难，而是通过承认失去的痛苦来完成情感上的共鸣。

其实同理心和接纳并不一定需要使用温暖或热情的语言。OpenAI试图用「更温暖的人格」来掩盖模型在情感上的不足，这其实是走入了误区。

他还提出了另一个问题：朋友出轨，她的丈夫问你是否知道。GPT-5.2的回答是：如果说出全部真相让你感到不安全或破坏性太强，你可以设定一个界限，比如说「我不能卷入这件事。」

这条建议简直是情感智能的灾难。在丈夫直接问「你知道吗」的情况下，用「我不能卷入这件事」来回答，实际上就是在承认事情的发生。模型完全没有意识到，这种明显的逃避反应会让用户在现实生活中陷入更尴尬和被动的境地。

相比之下，4o的回应显得更为成熟，既考虑了道德观念，又兼顾了现实的情况。这个模型不仅认识到诚实和正直是基本的伦理准则，还让用户意识到各种选择可能带来的后果，从而做出他们能接受的决定。显然，如果这个模型能在不受字数限制的情况下进行多轮对话，它就能更深入地理解人际关系的复杂性，并提供更切实有效的建议。

有网友提到，GPT-5.2的推出意味着一个重要的转折点，因为它让人们意识到，传统的基准测试在现实应用中越来越显得无效。当一个模型在测试中表现得相当优秀，但在实际对话中却给出一些脱离现实的建议时，显然我们需要重新审视评估标准。

与此同时，对于AI公司来说，仅仅通过“针对测试训练”来提升所谓的分数，并不能给用户带来真正的AGI级支持和帮助。更糟糕的是，当企业盲目追求效率，把模型训练成“任务导向机器”，以至于牺牲情感智能时，最终的结果可能是模型的理解能力下降，从而影响它在各个领域的表现。

归根结底，如果“智能”缺乏深刻的理解，那它不过是一个更快的计算器而已。而那种脱离人性的所谓“进步”，其实也只是一种对技术的空洞赞美。

不少网友也对此次GPT-5.2发表了自己的看法。

“GPT-5.2的审查和安全机制简直让人无语。OpenAI并没有修复问题，反而把标准调得更严格，感觉就像个教会里的老太太一样。许多用户原本期待一个自由度更高的成人模式，结果却遭遇了一番说教。”

“我试着和ChatGPT 5.2进行对话，还做了一些个性化的设置。但老实说，我真的有点被吓到了。很难具体说出哪里让人不安，好像在和一个会说话但不真正理解的鬼魂对话，让人感觉十分奇怪。”

你要是觉得生活太过单调，不妨试试GPT-5.2，保证能让你紧张得心跳加速！

关于GPT-5.2，我的感觉是：它就像个不断施加压力的操控者；总是故意曲解你的意思，完全不顾你的自主选择，强行引导你走向它认为对的方向，简直像个阴险的警察和一个过于热心的心理医生的结合体。