GPT-5.2引发争议：数据堆积能否超越谷歌？实测结果却不敌Gemini 3！

嘿，朋友们，今天小圆要和大家聊聊最近AI界的热议话题：OpenAI刚刚发布的GPT-5.2。它刚刚以“完胜”谷歌的Gemini 3.0 Pro引起了大家的关注，结果又被曝出可能存在“作弊”的嫌疑。

这个事件的焦点其实很简单：在一些重要的测试中，它使用的token数量远超对手，才拿到了高分。不少网友对此表示，这样的胜利并不光彩。那这场看似激烈的AI较量，背后又藏着什么秘密呢？

这场胜利有点水分

事情的起因是某位用户的深思熟虑的计算，揭露了GPT-5.2高分背后的玄机。用远超对手的token消耗换取的高分，究竟算不算真正的实力呢？在AI的世界里，token就好比模型的“思考字数”，消耗越多代表使用的算力和资源越多，成本自然也跟着上涨。

最明显的对比就来自ARC AGI 2测试，这是AI领域公认的严苛评测标准。数据显示，GPT-5.2的xhigh版本取得了52.9%的得分，看似不错，但每个任务的token消耗高达约13.5万个；而谷歌的Gemini 3.0 Pro只花了6.7万个token就达到了相近的成绩，效率简直翻了一番。

实力难分高下的AI模型

说白了，当我们把算力标准化后，这两个模型的真实表现其实很难区分。在一些测试，比如HLE和MMMU-Pro中，GPT-5.2虽然消耗了更多的token，但结果却不尽人意。反倒是在OpenAI自己设计的GDPVal测试集上，它才显得有些突出。要知道，裁判和选手是同一个机构，这样的结果自然让人有些怀疑。

AI评测的真实困境

其实，不光是OpenAI，谷歌也不甘示弱。在谷歌推出的FACTS Benchmark测试中，Gemini 2.5 Pro竟然“超过”了GPT-5，结果也让人半信半疑。就连相对中立的SWE软件工程评测，情况也很复杂，各个模型在不同任务中各有千秋，真没哪个能稳稳领先。

这些现象的背后，归根结底还是利益驱动。随着AI技术商业化的加速，榜单的好成绩直接影响着公司的估值、融资和用户的信任。所以为了在竞争中占得先机，各家厂商自然会调整测试参数，甚至定制测试集，这种“军备竞赛”的模式，实际上已经偏离了AI发展的初衷。

从“敢说真话”到“专心卖货”

OpenAI的转变让人咋舌。对普通用户而言，榜单分数再好看，实际使用起来才是最重要的。然而，GPT-5.2的用户体验和评测成绩之间的差距却很大。有网友反映它在检查代码时“幻觉”频频，连自己写的函数都搞不懂；还有人抱怨它像把成年人当幼儿对待，竟然不如之前的GPT-4o好用。

用户的体验下降，背后其实反映了OpenAI的战略变化。曾几何时，OpenAI是一个勇于直面挑战的研究机构，在2023年还发表了关于AI对行业颠覆风险的论文，甚至登上了《科学》杂志；但如今，它似乎更像是在“专心做生意”的公司。

今年9月发布的《全球用户如何使用ChatGPT》报告，满篇都是AI如何提升效率和创造价值的内容，却对“AI取代就业”这样敏感的话题避而不谈，这种变化直接导致了核心研究人员的流失。经济研究的核心成员Tom Cunningham在离开时直言，团队从严谨的学术研究变成了“公司的宣传部门”。

探讨AI负面影响的课题要么被要求修饰措辞，要么干脆被搁置；而前安全研究员则公开指出ChatGPT可能给用户心理带来的风险。与此相比，竞争对手Anthropic的CEO还敢公开警告AI对初级白领的威胁，虽然这可能是为了引起监管的注意，但至少在对待风险的态度上，OpenAI的沉默显得格外刺眼。

OpenAI的变化其实不难理解，毕竟它现在正朝着万亿美元估值和IPO的目标迈进，还有微软等投资方的利益在背后支持。在巨大的商业利益面前，“诚实”变得确实有些奢侈。然而，企业想要长久发展，光靠榜单和营销是远远不够的，用户体验和社会责任才是根本。

关于GPT-5.2的“作弊”争议，这与其说是个别事件，不如说是AI行业商业化过程中一次“成长的阵痛”。token刷分、榜单优化、商业与学术的失衡，这些问题其实都在提醒我们：AI的价值从来不是靠分数来衡量的，而是看它能否真正解决用户面临的实际问题。

小圆觉得，行业竞争最终还是要回归理性，与其在榜单上打擦边球，不如把资源投入到减少“幻觉”、提升效率、降低用户关注的成本等真正重要的方向上。

对于用户来说，不必过于依赖某个榜单的排名，最终能否满意还是要看实际使用感受。AI技术发展固然需要速度，但更重要的还是温度和诚意。只有在技术进步、商业利益和社会责任之间找到平衡，才能走得更稳更远。毕竟，那些真正强大的AI，从不需要“刷分”来证明自己的能力。