GPT-5.2陷刷分爭議，實測表現落后Gemini，3

哈嘍，大家好，小圓這篇評論就來跟大家聊聊最近AI圈的大瓜，OpenAI剛放出的GPT-5.2，前腳剛因“吊打”谷歌Gemini 3.0 Pro出盡風頭，后腳就被曝疑似“作弊”。

核心槽點很直接：它在關鍵測試里用了遠超對手的token數量才刷出高分，不少網友直言這贏了也不光彩，那么這場看似精彩的AI對決，到底藏著多少門道？

事情的導火索是一位用戶的精細計算，直接戳穿了GPT-5.2高分背后的貓膩，用遠超對手的token消耗換回來的高分，到底算不算真本事？在AI領域，token相當于模型的“思考字數”，消耗越多意味著動用的算力和資源越多，成本也隨之飆升。

最直觀的對比來自ARC AGI 2測試，這是AI圈公認的硬核評測標準，數據顯示，GPT-5.2的xhigh版本拿到了52.9%的得分，看似亮眼，但每個任務要消耗約13.5萬個token；而谷歌Gemini 3.0 Pro只用6.7萬token就取得了相近成績，效率整整高出一倍。

更關鍵的是，把算力投入標準化后會發現，兩個模型的真實能力其實難分伯仲。甚至在HLE、MMMU-Pro等多個測試中，GPT-5.2用了更多token還表現不佳，只有在OpenAI自家創建的GDPVal測試集里優勢明顯，既當裁判又當運動員，這樣的結果客觀性難免讓人打問號。

GPT-5.2的爭議，其實暴露了AI評測圈的一個深層困境：榜單早已不是單純的技術比拼，反而成了各家廠商的“定向優化賽場”，OpenAI前高管Ilya早就說過，現在的大模型基本都在為榜單量身優化，結果水分很大，這話在業內其實是共識。

不止OpenAI，谷歌也有類似操作，在谷歌自家推出的FACTS Benchmark測試中，Gemini 2.5 Pro曾“超越”GPT-5，這個結果同樣沒人敢全信，就連相對中立的SWE軟件工程評測，情況也很復雜，不同模型在不同任務上各有優劣，根本沒有哪個能全面領先。

出現這種亂象核心還是利益驅動，隨著AI技術商業化加速，一份漂亮的榜單成績直接關系到企業估值、融資和用戶信任，為了在競爭中占優，各家自然會往對自己有利的方向調整測試參數，甚至定制測試集，這種“軍備競賽”其實偏離了AI發展的初衷。

OpenAI變了味？對普通用戶來說，榜單分數再好看，不如實際用著順手，但GPT-5.2的用戶體驗，卻和評測成績形成了鮮明反差。有網友說它檢查代碼時“幻覺”嚴重，連自己寫的函數都理解不了；還有人吐槽它像把成年人當學齡前兒童對待，體驗反而不如老版本GPT-4o。

今年9月發布的《全球用戶如何使用ChatGPT》報告，通篇都在講AI如何提升效率、創造價值，卻對“AI替代就業”等敏感問題避而不談，這種轉向直接導致核心研究員流失。經濟研究骨干Tom Cunningham離職時直言，團隊從嚴謹的學術研究淪為“公司宣傳部門”。

探討AI負面影響的課題要么被要求軟化措辭，要么被擱置；前安全研究員更是公開指出ChatGPT可能引發的用戶心理風險，反觀競爭對手Anthropic，CEO還敢公開預警AI對初級白領的替代風險，雖然可能有博取監管關注的成分，但相比OpenAI的沉默，至少保留了對風險的敬畏。

OpenAI的轉變其實不難理解，畢竟它正沖刺萬億美元估值和IPO，背后還有微軟等投資方的利益綁定，“誠實”在巨大的商業利益面前，確實成了奢侈品。但企業要長久發展，終究不能只靠榜單和營銷，用戶體驗和社會責任才是根基。

GPT-5.2的“作弊”爭議，與其說是一次孤立事件，不如說是AI行業商業化進程中的一次“成長陣痛”。token刷分、榜單優化、商業與學術的失衡，這些問題其實都在提醒我們：AI的價值從來不是靠分數定義，而是看它能否真正解決用戶的實際問題。

小圓覺得，行業競爭終究要回歸理性，對企業來說，與其在榜單上鉆空子，不如把資源投入到減少“幻覺”、提升效率、降低成本等用戶真正關心的方向。

對用戶而言，也不必被單一榜單綁架，實際體驗才是檢驗技術的最終標準，AI技術的發展需要速度，但更需要溫度和誠意，只有兼顧技術進步、商業利益和社會責任，才能走得更遠。畢竟，真正的AI強者，從來不需要靠“刷分”證明自己。