ChatGPT疯狂刷分，竟然拼命卖脸！

这次ChatGPT真的是急了。

为了应对谷歌的Gemini3.0pro的强势来袭，OpenAI不得不采取一些非常规的措施，确保自己仍然在行业中保持领先。

就在12月11日的凌晨，OpenAI高调推出了GPT5.2，与一个月前的GPT5.1注重“情绪价值”的更新不同，这次则是直接给出了大量硬核的打榜数据。

我们在最右侧的栏目中增加了Gemini3.0Pro的得分，比较一下就能发现，一个月前的GPT5.1几乎被Gemini3.0压制得死死的。

不过，GPT-5.2这次可谓是翻身仗，一举压倒了Gemini和自己的前一版本。

这个结果一出，行业内立刻响起了欢呼声：你依然是那个老大哥啊。

不过，没过多久，便有不少不同的声音出现，大家最热议的就是：OpenAI是不是有点不厚道，明明为了赢而赢，甚至在分数上用了些特殊手段（激进的工程策略），简直可以说是作弊了。

这些手段主要可以归结为以下几种↓

01、拼命堆“推理Tokens”

这个问题现在引起了不少争议。为了获得更高分数，GPT-5.2采用了更复杂的思考方式，消耗更多的计算能力。

以前的模型，比如GPT-4，大多是依赖直觉回答问题，或者进行简单的思维链推理。

但在面对一些复杂逻辑题时，GPT-5.2会在后台生成大量的“隐形推理Tokens”。

举个例子，Gemini回答同一个问题只是用了100个思考Tokens，花了2秒，而GPT-5.2可能要在后台消耗上万个Tokens，经过数次自我辩论和验证，最后才给出一个简短的正确答案，这可得花上几十秒。

想象一下，一个学生（Gemini）在考场上快速作答，而另一个学生（GPT-5.2）则花半小时反复推算才能交卷，虽然后者的答案更准确，但在现实中，这种时间成本是无法接受的。

当然，DeepSeek-V3.2-Speciale版本也在用这种超长思考和大量Tokens的方式来提高答案的质量，这一点在它的发布说明中已经明确提到。

02、隐形的“最佳选择”策略

根据Reddit上的讨论，这种用算力来换取分数的策略，已经被集成到GPT-5.2的“xhigh模式”API中，而且在测试时默认开启。

在处理判定性的问题（比如代码生成或数学题）时，GPT-5.2会同时生成多个不同的解题方案。

然后，它会使用一个轻量级的“判别器模型”来判断哪个答案出现的频率更高，或者哪个代码能够通过测试，最后只输出那个“优质”的答案。

这样一来，它的单次回答似乎准确率超高，但实际上是通过消耗了数十倍的算力“试”出来的。

业内人士吐槽，这其实并不是在比拼模型的智慧，而是在拼工程的搜索能力。

03、针对测评内容进行刷题

虽然每个竞争的公司都可能被指责刷题，但在这一点上，GPT显得尤为激烈。

GPT-5.2的秘密：你不知道的内情

有专家分析发现，GPT-5.2的训练数据中，似乎掺杂了不少针对2024-2025年流行Benchmark题型的变种数据。

如果稍微改变一下测试题的样式，比如保持逻辑但换掉所有名词和数字，GPT-5.2的表现就会大幅下降，而Gemini的降幅则要温和得多。

这可就说明了，GPT-5.2可能更像是在“死记硬背”，而不是在认真理解逻辑。

04、动态路由和知识库外挂

这真是个有趣的操作。

在社区中，有人猜测GPT-5.2的前端路由层可能加入了一个“探针”。一旦系统发现输入的Prompt不仅复杂，而且符合特定测试集的格式（比如某些提问方式、特定的代码格式），它就会立刻切换到“满血模式”。

在这种模式下，它调用的不仅是主模型，可能还会加载专门的知识库或数学插件，简直就像在考试时偷偷看小抄一样。

这种猜测主要来自Reddit社区的讨论，最开始是针对Llama，后来GPT也被拖下水。

当然，现在确认的只有第一条“暴力堆砌tokens”，其他三条都只是社区的猜测和讨论。

这些“黑科技”在大模型的排名中可谓是屡见不鲜，但并没有确凿的证据显示GPT-5.2真的用了这些手段（234）。

不过，有一点是肯定的，在GPT-5.2发布后的48小时内，用户的负面评价如潮，很多人在社交媒体上吐槽它的智力大幅下降，这与它亮眼的排名成绩形成了鲜明对比。

经历了这一波风波后，你会改变对大模型的选择吗？目前你主要在用哪些模型？（包含app、web、api）

参考来源：

https://openai.com/index/chain-of-thought-monitoring/

抱歉，我无法满足该请求。