OpenAI
GPT-5.2 评测成绩
来自 6 个来源、11 项基准的 35 条成绩。
其他名称: gpt-5.2-high · gpt-5.2 · gpt-5.2-2025-12-11_none · GPT-5.2 (none) · gpt-5.2-2025-12-11_xhigh · GPT-5.2 (xhigh) · gpt-5.2-2025-12-11_high · GPT-5.2 (high) · gpt-5.2-2025-12-11_medium · GPT-5.2 (medium)
全部评测成绩
| 基准 | 分数 | 名次 | 设定 | 来源类型 | 日期 |
|---|---|---|---|---|---|
| LMArena Text | 1437 | 101 | Overall, style control on; 49685 votes; 95% CI 1434–1441“gpt-5.2-high” | 官方榜单 | 2026年10月8日 |
| LMArena Text | 1436 | 104 | Overall, style control on; 83928 votes; 95% CI 1432–1439“gpt-5.2” | 官方榜单 | 2026年10月8日 |
| LMArena WebDev | 1416 | 83 | Overall; 1082 votes; 95% CI 1394–1438“gpt-5.2” | 官方榜单 | 2026年10月8日 |
| LMArena Vision | 1243 | 57 | Overall, style control on; 19039 votes; 95% CI 1237–1249“gpt-5.2-high” | 官方榜单 | 2026年10月2日 |
| LMArena Vision | 1229 | 68 | Overall, style control on; 20134 votes; 95% CI 1223–1235“gpt-5.2” | 官方榜单 | 2026年10月2日 |
| GPQA Diamond | 91.4% | 29 | Epoch AI run, accuracy; effort: xhigh | 独立评测 | 2025年12月13日 |
| GPQA Diamond | 88.2% | 60 | Epoch AI run, accuracy; effort: high | 独立评测 | 2025年12月11日 |
| GPQA Diamond | 87.9% | 62 | Epoch AI run, accuracy; effort: medium | 独立评测 | 2025年12月11日 |
| GPQA Diamond | 82.7% | 102 | Epoch AI run, accuracy; effort: low | 独立评测 | 2025年12月11日 |
| GPQA Diamond | 73.2% | 148 | Epoch AI run, accuracy; effort: none | 独立评测 | 2026年7月13日 |
| MMLU-Pro | 87.4% | 10 | Overall accuracy; data source: Self-Reported | 厂商自报 | 2026年3月11日 |
| SWE-bench Verified | 73.8% | 17 | Epoch AI run (Epoch scaffold); effort: high | 独立评测 | 2026年2月12日 |
| SWE-bench Verified | 72.8% | 16 | agent: mini-SWE-agent“gpt-5-2” | 官方榜单 | 2026年2月17日 |
| AIME (OTIS Mock AIME 2024–2025) | 96.1% | 40 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: high | 独立评测 | 2025年12月11日 |
| AIME (OTIS Mock AIME 2024–2025) | 96.1% | 42 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: xhigh | 独立评测 | 2025年12月13日 |
| AIME (OTIS Mock AIME 2024–2025) | 93.9% | 54 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: medium | 独立评测 | 2025年12月11日 |
| AIME (OTIS Mock AIME 2024–2025) | 78.9% | 113 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: low | 独立评测 | 2025年12月11日 |
| AIME (OTIS Mock AIME 2024–2025) | 62.2% | 144 | Epoch AI run, OTIS Mock AIME 2024–2025; effort: none | 独立评测 | 2026年7月13日 |
| Humanity's Last Exam | 27.8% | 14 | Compiled by Epoch AI; effort: unknown thinking | 第三方汇编 via Epoch AI | 2025年12月11日 |
| τ²-bench | 83.0% | 2 | airline domain, pass^1; effort: high; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月5日 |
| τ²-bench | 52.5% | 22 | airline domain, pass^1; effort: none; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月26日 |
| τ²-bench | 32.2% | 13 | banking_knowledge domain, pass^1; effort: high; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月5日 |
| τ²-bench | 12.6% | 26 | banking_knowledge domain, pass^1; effort: none; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月26日 |
| τ²-bench | 81.6% | 7 | retail domain, pass^1; effort: high; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月5日 |
| τ²-bench | 75.0% | 17 | retail domain, pass^1; effort: none; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月26日 |
| τ²-bench | 89.7% | 11 | telecom domain, pass^1; effort: high; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月5日 |
| τ²-bench | 57.2% | 17 | telecom domain, pass^1; effort: none; submitted by Sierra; v1.0.1 | 官方榜单 | 2026年5月26日 |
| Terminal-Bench 2.0 | 64.9% | 33 | Terminal-Bench 2.0; agent: Droid; effort: unknown thinking | 官方榜单 via Epoch AI | 2025年12月11日 |
| Terminal-Bench 2.0 | 64.9% | 34 | Terminal-Bench 2.0; agent: Droid; effort: medium | 官方榜单 via Epoch AI | 2025年12月24日 |
| Terminal-Bench 2.0 | 62.9% | 39 | Terminal-Bench 2.0; agent: Codex CLI; effort: unknown thinking | 官方榜单 via Epoch AI | 2025年12月11日 |
| Terminal-Bench 2.0 | 62.9% | 41 | Terminal-Bench 2.0; agent: Codex CLI; effort: medium | 官方榜单 via Epoch AI | 2025年12月18日 |
| Terminal-Bench 2.0 | 60.7% | 47 | Terminal-Bench 2.0; agent: Mux; effort: unknown thinking | 官方榜单 via Epoch AI | 2025年12月11日 |
| Terminal-Bench 2.0 | 54.0% | 61 | Terminal-Bench 2.0; agent: Terminus 2; effort: unknown thinking | 官方榜单 via Epoch AI | 2025年12月11日 |
| BFCL v4 (function calling) | 55.9% | 16 | Overall accuracy; native function calling (FC)“GPT-5.2-2025-12-11 (FC)” | 官方榜单 | 2026年10月17日 |
| BFCL v4 (function calling) | 45.3% | 38 | Overall accuracy; prompt-based“GPT-5.2-2025-12-11 (Prompt)” | 官方榜单 | 2026年10月17日 |
常见问题
GPT-5.2 的这些评测分数来自哪里？
来自 Epoch AI Benchmarking Hub、Berkeley Function Calling Leaderboard (BFCL)、LMArena leaderboard dataset、MMLU-Pro leaderboard (TIGER-Lab)、SWE-bench leaderboards (swebench.com)和τ²-bench leaderboard submissions。每一行都链接到原始榜单、数据集或报告，厂商自报的分数单独标注。