太戏剧了。OpenAI昨天刚放出大杀器GPT-5.2，今天就被曝疑似虚假营销？凌晨的科技圈，被一则爆料点燃——一位用户通过精细计算发现了“华点”：OpenAI在最新发布的基准测试中，可能通过调整模型“推理力度”参数，让GPT-5.2在关键评测中使用了远超对手的算力资源。
一句话总结就是：在调整token使用后，GPT-5.2和Gemini3Pro在ARCAGI2上的表现基本相当。
具体来说，问题就出在这几张图上。
可以看到，OpenAI在基准测试中使用了额外的token，至少是Gemini3.0Pro的两倍。
这就像两个棋手对弈，一方被允许思考一个小时，另一方却只有十分钟，然后宣布前者获胜。
在这种情况下，结果还公平吗？
OpenAI胜过Google，其实靠作弊？
昨天的AI圈，都被GPT-5.2吊打Gemini3.0Pro的结论所震撼，而前者在ARCAGI2的精彩表现，则尤为出圈，被AI社区大加赞赏。
但现在，这些结果很可能注了水？
比如在备受关注的ARCAGI2测试中，GPT-5.2xhigh版得分52.9%，每个任务消耗约13.5万个token。
按API定价计算，每个任务仅算力成本就高达1.9美元。
相比之下，GoogleGemini3.0Pro以6.7万token取得相似成绩，效率高出整整一倍。
如果我们将算力投入标准化，就会发现两个模型的真实能力几乎并驾齐驱。
如果这一假设普遍成立，那么GPT5.2在使用token数超过Gemini3的两倍的情况下，仍然在HLE、MMMU-Pro、Video-MMMU和FrontierMathTier4中表现不佳。
在GPQA上，它们也才基本相当。而在FrontierMathTier3中，GPT5.2xhigh也就比Gemini3Pro高出2.7%的成绩。
唯一例外的是GDPVal——一个由OpenAI自己创建的测试集。既当裁判又当运动员，结果的客观性就有待考量了。
Ilya：我早说过了
其实，Ilya在之前的采访中就已经说过，现在的大模型基本都是为了榜单定向优化的，榜单结果的水分都大得很。
业内人士都知道，如今AI基准测试的“军备竞赛”早已超出单纯的技术竞争。各家厂商都在竞相推出自己的评测标准，而这些标准往往有意无意地偏向自家模型。
这么干的也绝不仅仅是OpenAI一家。
在Google推出的FACTSBenchmark中，Gemini2.5Pro超越GPT-5的结果，也同样得打个问号。
在SWEBench（软件工程评测）中，情况就更加复杂了。
不同模型在不同编程任务上各有所长，但没有一个模型能在所有任务上全面领先。显然，真实世界的问题远比单一分数复杂。
所以，这次事件就反映出了AI评测的根本困境——
如果GPT-5.2仅仅是通过消耗更多算力获得了性能提升，那真的能智能进步吗？还是仅仅是“暴力计算”的胜利呢？
对于这次OpenAI的“虚假营销”，网友们也是议论纷纷。
有人表示，如果用户得到的“推理力度”参数是一样的，也用的是同样的token，那OpenAI就不算虚假营销。
但如果测评的和用户使用的根本不是同样的版本，那就是欺骗了。
也有一些人是站在OpenAI这一边的。
他们觉得，即使增加Gemini3的token数量，它也未必就能赶超GPT-5.2，这一点来说，前者的确落后了。
也有人说，既然模型的价格都是公开的，那就不构成欺骗。
巧了不是，紧接着我们就发现，“货不对板”这个问题的确有人提出来了。
在社区的另一篇帖子中，也有人指出了OpenAI的作弊问题——
早在GPT-5.1发布时，所有基准测试中用的都是高推理力度（high），然而plus用户却只能使用中等的版本。
而现在的5.2版本中，OpenAI增加了更高的“xhigh”推理力度，所以基准测试中显示的性能，要远远超过ChatGPT付费用户的实际体验。
GPT-5.2的实际体验如何
不看榜单，我们就来看看用户的实际体验究竟如何。
一位网友发帖称，自己对GPT-5.2的第一印象并不是太好。
比如在检查代码时，它的幻觉现象非常严重。
网友本以为GPT-5.2会比5.1好得多，但实际用起来并非如此，它并不能理解他写的函数代码。
另一些网友反馈说，GPT-5.2似乎把成年人当学龄前儿童对待，感觉不像是升级，反而是倒退。
OpenAI的核心用户群体，仍然最想念GPT-4o。
总之，GPT-5.2的实际体验跟基准测试似乎相差很多，保不齐又是一个在红色警报状态下仓促拿出的产品。
被Google打得匆匆忙忙、连滚带爬的OpenAI变成今天这个样子，显然不是一朝一夕的事。
OpenAI，变了
毕竟，当一家机构既是“研究AI的人”，又是“靠AI卖故事的人”，它还能诚实地面对那些刺耳的真相吗？
根据Wired的最新调查，OpenAI内部正在经历一场关于“真话权”的剧烈地震。
在面对“AI是否会抢走你的饭碗”这类致命问题时，OpenAI的策略已悄然转变：闭上嘴，专心卖货。
这种为了商业利益而牺牲学术独立性的转向，直接“气跑”了自家的研究员。
“我们成了老板的喉舌”
回望2023年，OpenAI发布的重磅论文《GPTsAreGPTs》，直白地剖析了哪些行业最容易被AI颠覆，并在第二年登上了Science。
那时的他们，还敢于直视“技术性失业”的阴影。
论文地址：https://arxiv.org/abs/2303.10130
Science：https://www.science.org/doi/10.1126/science.adj0998
但到了今年9月，画风突变。
在新任首席经济学家AaronChatterji的带领下，OpenAI发布了一份名为《全球用户如何使用ChatGPT》的报告。
从学生写作业到职场人做表，报告事无巨细地描绘了AI的美好图景。
结论毫无悬念地一边倒：AI是生产力的引擎，是经济价值的创造者。
企业用户被引述称，ChatGPT每天能帮他们省下40到60分钟。
报告地址：https://www.nber.org/papers/w34255
对此，一位前员工吐槽道：“这简直是为『AI创造价值』这一命题量身定做的软广，充满了粉饰太平的味道。”
离职信里的“真相”
矛盾的爆发点，是报告作者之一、OpenAI经济研究骨干TomCunningham的离职。
过去一年，OpenAI对“负面研究”的审查愈发严苛。
那些探讨AI如何替代入门级白领（如客服、行政）的课题，要么被要求“软化措辞”，要么直接被束之高阁。
忍无可忍的Cunningham在Slack上留下了一封直白的告别信：
我们曾致力于严谨的学术研究，现在却沦为了公司的宣传部门。
他认为，团队不仅失去了研究AI负面影响的自由，反而被迫为公司“贴金”。
Cunningham并非个例。
前政策研究主管MilesBrundage离职时直言，公司“太高调、限制太多”，让他“无法发表真正重要的观点”。
超级对齐团队的WilliamSaunders因不满公司“只顾推新产品、无视用户风险”而愤然出走。
前安全研究员StevenAdler更是公开炮轰ChatGPT可能诱发用户的“精神危机和妄想”。
价值一万亿美元的“沉默”
面对Cunningham的离职，OpenAI高层上演了一出教科书般的危机公关。
首席战略官JasonKwon在备忘录中回应道：
既然是我们把AI推向了世界，我们就得负责构建解决方案，而不是光盯着问题看。
翻译一下就是：别再发论文论证AI会导致失业了，这不利于带货；多想想怎么夸我们的产品能提效吧。
OpenAI为什么要这么做？答案藏在账本里。
如今的OpenAI早已不是当年的非营利实验室，它正冲刺1万亿美元的惊人估值，并筹备着史上最大规模的IPO。
它拿了微软几百亿美元；
它需要芯片大佬们再投1000亿；
它承诺未来要付给微软2500亿美元买云服务。
在天文数字的利益面前，“诚实”成了最昂贵的奢侈品。
如果你正准备上市，正试图说服全世界拥抱AI，你绝不希望自家的研究员跳出来说：“嘿，根据数据，这波AI可能会让30%的白领失业。”
“岁月静好”的另一边
有趣的是，老对手Anthropic似乎拿到了完全相反的“剧本”。
他们的CEODarioAmodei甚至公开“唱反调”，警告到2030年AI可能取代一半的入门级白领。
当然，这未必全是出于诚实——很多人解读，这不过是Anthropic为了换取监管红利而刻意贩卖的“焦虑”。
但回看OpenAI，情况更为微妙。
如今掌管其经济研究团队的，是前克林顿顾问、有着“灾难大师”之称的顶级危机公关专家——ChrisLehane。
在这个精心修订的新版本里，AI绝不可能是引发社会动荡的“怪物”，它只会是帮你“每天省下40分钟”的乖巧助手。
至于那些关于失业、动荡和泡沫的尴尬真相？
嘘，为了那1万亿的估值，请保持安静。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】