GPT-5.2
OpenAI· 2025-12-11 上线
综合第 42 名
47.7
编程
51.1第 25 名
科研
48.7第 48 名
专业办公
42.3第 37 名
知识问答
44.4第 59 名
- 评测覆盖
- 17 / 25 项 · 68%
- 缓存输入
- ¥1.18
- 输入
- ¥11.77
- 输出
- ¥94.15
价格：人民币 / 百万 Token。
编程
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SWE-bench Verified | 73.8% | 46.9 | high | 22 |
| Terminal-Bench | 64.9% | 55.5 | 未注明 | 29 |
| WebDev Arena | 1,480 | 50.2 | high | 96 |
| ALE-Bench | 1,294 | 53.1 | high | 88 |
| WeirdML | 72.2% | 56.9 | xhigh | 60 |
| GSO | 27.5% | 43.7 | high | 16 |
科研
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| FrontierMath（1–3 级） | 67.4% | 52.9 | xhigh | 66 |
| FrontierMath（4 级） | 31.7% | 46.5 | xhigh | 57 |
| ProofBench | 15.0% | 41.4 | xhigh | 77 |
| OTIS Mock AIME | 96.1% | 54.2 | high | 87 |
专业办公
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| GDPval | 49.7% | 不计分 | none | 3 |
| Remote Labor Index | 2.5% | 40.2 | medium | 12 |
| Vending-Bench 2 | $3,591 | 44.5 | 未注明 | 55 |
| DeepResearch Bench | 41.1% | 42.1 | low | 14 |
知识问答
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SimpleQA Verified | 37.1% | 44.7 | xhigh | 65 |
| GPQA Diamond | 91.4% | 53.5 | xhigh | 84 |
| Humanity's Last Exam | 27.8% | 42.9 | 未注明 | 17 |
| SimpleBench | 45.8% | 36.6 | high | 39 |
仅展示（不计分）
这些评测测的能力不在四个领域里，或者我们还没把握归到哪个领域。
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| ARC-AGI-2 | 52.9% | 不计分 | xhigh | 52 |
| ARC-AGI | 86.2% | 不计分 | xhigh | 52 |
| 国际象棋谜题 | 48.0% | 不计分 | xhigh | 88 |
| METR 任务时长 | 75.3% | 不计分 | high | 10 |
原始成绩取这个模型各个推理档位（high、未注明、medium、xhigh、none、low）和各种评测配置里最好的一次；标准分 = 50 + 10 × （成绩 − 平均）÷ 标准差，在近 12 个月上线的模型里比较。「不计分」是这项评测有成绩的模型太少或不在计分范围。 数据 10月16日 06:10 更新。