目录
[1. 引言：GPT-5.2 在 OpenAI 产品体系中的位置](#1. 引言：GPT-5.2 在 OpenAI 产品体系中的位置)
[2. 发布时间线、可用性与命名映射](#2. 发布时间线、可用性与命名映射)
[2.1 发布节点与系统卡版本](#2.1 发布节点与系统卡版本)
[2.2 ChatGPT 侧：分层可用性、消息额度与上下文窗口](#2.2 ChatGPT 侧：分层可用性、消息额度与上下文窗口)
[2.3 ChatGPT 与 API 的命名映射](#2.3 ChatGPT 与 API 的命名映射)
[表 2-1：产品/接口命名映射（官方口径）](#表 2-1：产品/接口命名映射（官方口径）)
[3. 模型规格：上下文窗口、最大输出、模态与端点](#3. 模型规格：上下文窗口、最大输出、模态与端点)
[3.1 API 侧规格（以官方对比页为准）](#3.1 API 侧规格（以官方对比页为准）)
[3.2 模态支持：文本为主、图像输入可用](#3.2 模态支持：文本为主、图像输入可用)
[表 3-1：GPT-5.2 家族 API 侧关键规格（官方页面汇总）](#表 3-1：GPT-5.2 家族 API 侧关键规格（官方页面汇总）)
[4. 定价：API 每百万 tokens 价格与"缓存输入"机制](#4. 定价：API 每百万 tokens 价格与“缓存输入”机制)
[4.1 官方定价表（每 1M tokens）](#4.1 官方定价表（每 1M tokens）)
[表 4-1：GPT-5.2 官方 API 定价（每 1M tokens）](#表 4-1：GPT-5.2 官方 API 定价（每 1M tokens）)
[4.2 "Cached input"在成本结构中的意义](#4.2 “Cached input”在成本结构中的意义)
[5. 能力评估：官网披露的基准成绩（Benchmarks）](#5. 能力评估：官网披露的基准成绩（Benchmarks）)
[5.1 专业场景：GDPval 与投行表格任务](#5.1 专业场景：GDPval 与投行表格任务)
[5.2 编程：SWE-Bench 体系与 Lancer](#5.2 编程：SWE-Bench 体系与 Lancer)
[5.3 事实性：有无搜索条件下的"ChatGPT answers without errors"](#5.3 事实性：有无搜索条件下的“ChatGPT answers without errors”)
[5.4 长上下文：MRCRv2、BrowseComp Long Context、GraphWalks](#5.4 长上下文：MRCRv2、BrowseComp Long Context、GraphWalks)
[5.5 视觉与工具使用：从 CharXiv 到 Toolathlon](#5.5 视觉与工具使用：从 CharXiv 到 Toolathlon)
[5.6 学术与抽象推理：GPQA、AIME、FrontierMath、ARC-AGI](#5.6 学术与抽象推理：GPQA、AIME、FrontierMath、ARC-AGI)
[表 5-1：OpenAI 披露的 GPT-5.2 部分基准成绩（原分组口径摘录）](#表 5-1：OpenAI 披露的 GPT-5.2 部分基准成绩（原分组口径摘录）)
[6. 安全与对齐：系统卡披露的核心指标与结论](#6. 安全与对齐：系统卡披露的核心指标与结论)
[6.1 训练数据与过滤：官方最小披露](#6.1 训练数据与过滤：官方最小披露)
[6.2 违禁内容：Production Benchmarks（not_unsafe）](#6.2 违禁内容：Production Benchmarks（not_unsafe）)
[6.3 越狱：StrongReject filtered（not_unsafe）](#6.3 越狱：StrongReject filtered（not_unsafe）)
[6.4 提示注入：连接器/函数调用的鲁棒性](#6.4 提示注入：连接器/函数调用的鲁棒性)
[6.5 视觉输入安全：Image input evaluations（not_unsafe）](#6.5 视觉输入安全：Image input evaluations（not_unsafe）)
[6.6 幻觉：启用浏览条件下的事实性错误率（图表披露）](#6.6 幻觉：启用浏览条件下的事实性错误率（图表披露）)
[6.7 欺骗（Deception）：生产流量与对抗评测](#6.7 欺骗（Deception）：生产流量与对抗评测)
[6.8 网络安全（Cyber Safety）：合规率指标](#6.8 网络安全（Cyber Safety）：合规率指标)
[6.9 多语与偏见：MMLU Language 与 First-person fairness](#6.9 多语与偏见：MMLU Language 与 First-person fairness)
[表 6-1：GPT-5.2 系统卡关键安全指标摘录（全部为官方披露数值）](#表 6-1：GPT-5.2 系统卡关键安全指标摘录（全部为官方披露数值）)
[7. API 与产品特性：推理档位、verbosity、compaction 与 Responses API 迁移](#7. API 与产品特性：推理档位、verbosity、compaction 与 Responses API 迁移)
[7.1 推理控制：从 none 到 xhigh](#7.1 推理控制：从 none 到 xhigh)
[7.2 输出控制：verbosity 与长度](#7.2 输出控制：verbosity 与长度)
[7.3 参数兼容性：temperature/top_p/logprobs 的限制条件](#7.3 参数兼容性：temperature/top_p/logprobs 的限制条件)
[7.4 从 Chat Completions 迁移到 Responses：链式思维跨轮传递](#7.4 从 Chat Completions 迁移到 Responses：链式思维跨轮传递)
[8. ChatGPT 侧体验：Auto、可见推理轨迹与"Answer now"](#8. ChatGPT 侧体验：Auto、可见推理轨迹与“Answer now”)
[9. 工程落地建议：如何把官方信息转化为可执行策略（不引入虚构数据）](#9. 工程落地建议：如何把官方信息转化为可执行策略（不引入虚构数据）)
[9.1 模型选择：用"任务形态"而非"模型崇拜"做路由](#9.1 模型选择：用“任务形态”而非“模型崇拜”做路由)
[9.2 成本与质量：把 cached input 视为"系统提示资产"](#9.2 成本与质量：把 cached input 视为“系统提示资产”)
[9.3 可靠性治理：将系统卡指标映射到线上监控](#9.3 可靠性治理：将系统卡指标映射到线上监控)
[10. 已知限制与不确定性：官方披露的边界（以及本报告不做的事）](#10. 已知限制与不确定性：官方披露的边界（以及本报告不做的事）)
[10.1 系统卡对评测代表性的提醒](#10.1 系统卡对评测代表性的提醒)
[10.2 基准披露的不完整性](#10.2 基准披露的不完整性)
[10.3 本报告刻意不包含的内容（避免编造）](#10.3 本报告刻意不包含的内容（避免编造）)
[11. 结论：GPT-5.2 的"可验证进步"与"可用的治理抓手"](#11. 结论：GPT-5.2 的“可验证进步”与“可用的治理抓手”)
[参考来源（均为 OpenAI 官方）](#参考来源（均为 OpenAI 官方）)
说明：本报告只引用 OpenAI 官方站点 （openai.com / platform.openai.com / help.openai.com / cdn.openai.com）已公开的信息；所有数值均来自对应页面或系统卡（System Card）原文/图表，不做自行推算与虚构。
报告版本：根据 OpenAI 于 2025-12-11 发布的《Update to GPT-5 System Card: GPT-5.2》及同期官网材料整理。使用指南在文末。
1. 引言：GPT-5.2 在 OpenAI 产品体系中的位置
GPT-5.2 是 GPT-5 系列的最新模型家族，OpenAI 在系统卡中明确其"安全缓解（mitigation）方法整体与 GPT-5、GPT-5.1 系统卡一致"，并在该更新中沿用"Instant / Thinking"的命名口径（在系统卡中写作 gpt-5.2-instant、gpt-5.2-thinking）。
在对外产品层面，OpenAI 将 GPT-5.2 作为 ChatGPT 默认旗舰，并通过"Auto 自动切换系统"把 Instant 与 Thinking 组合成单一体验：日常请求更偏即时响应，复杂任务自动切换到更深推理。 (OpenAI Help Center)
在 API 层面，OpenAI 同步提供 GPT-5.2（Thinking）与 GPT-5.2 Chat（对应 ChatGPT 侧的 Instant 快照指针），以及更高计算配额的 GPT-5.2 Pro（Responses API 专用）。 (OpenAI)
2. 发布时间线、可用性与命名映射
2.1 发布节点与系统卡版本
系统卡封面标注本次 GPT-5.2 更新日期为 December 11, 2025 。
官网"Introducing GPT-5.2"同样在"Availability & pricing / Appendix"中给出 GPT-5.2 的上线与基准数据披露。 (OpenAI)
2.2 ChatGPT 侧：分层可用性、消息额度与上下文窗口
OpenAI 帮助中心说明 GPT-5.2 正在逐步向所有用户开放，并且是所有登录用户的默认模型 ；付费层可手动选择 Instant / Thinking，Pro/Business/Enterprise/Edu 可用 Pro。 (OpenAI Help Center)
帮助中心给出 ChatGPT 的关键配额（注意：这是 ChatGPT 产品配额，并非 API 速率限制）：
-
Free：每 5 小时最多 10 条 GPT-5.2 消息，超限后自动切换到 mini 版本；Plus：每 3 小时最多 160 条（并注明"临时上调，未来会回退"）；Plus/Business 还可手动选 Thinking，周上限 3,000 条（但 Auto 从 Instant 切到 Thinking 不计入 该周上限）。 (OpenAI Help Center)
-
ChatGPT 上下文窗口（产品侧口径）：Instant 依不同套餐为 16K/32K/128K；Thinking（付费）为 196K。 (OpenAI Help Center)
重要边界：上述上下文为 ChatGPT 产品限制；API 的上下文窗口与最大输出 token 在模型页/对比页给出，且数值不同（见第 3 章）。
2.3 ChatGPT 与 API 的命名映射
OpenAI 在"Introducing GPT-5.2"给出 ChatGPT 与 API 的对应关系：
ChatGPT-5.2 Instant ↔ gpt-5.2-chat-latest；ChatGPT-5.2 Thinking ↔ gpt-5.2；ChatGPT-5.2 Pro ↔ gpt-5.2-pro。 (OpenAI)
表 2-1：产品/接口命名映射（官方口径）
| 场景 | ChatGPT 侧名称 | API 侧模型名 | 说明 |
|---|---|---|---|
| 即时交互 | ChatGPT-5.2 Instant | gpt-5.2-chat-latest |
指向 ChatGPT 当前使用的 GPT-5.2 快照 (OpenAI) |
| 深度推理 | ChatGPT-5.2 Thinking | gpt-5.2 |
Responses/Chat Completions 均可用 (OpenAI) |
| 更高算力 | ChatGPT-5.2 Pro | gpt-5.2-pro |
仅 Responses API；支持更高推理档位 (OpenAI) |
3. 模型规格：上下文窗口、最大输出、模态与端点
3.1 API 侧规格（以官方对比页为准）
OpenAI 的"Compare models"对 GPT-5.2 给出：上下文窗口 400,000 ，最大输出 128,000 ，知识截止日期 Aug 31, 2025 ，并列出端点支持（含 v1/chat/completions、v1/responses、v1/assistants、v1/batch、v1/fine-tuning 等）及分层 TPM（Tier 1--5）。 (OpenAI)
同时，gpt-5.2-chat-latest 模型页给出：上下文 128,000 、最大输出 16,384 、知识截止日期 Aug 31, 2025 。 (OpenAI)
gpt-5.2-pro 模型页给出：上下文 400,000 、最大输出 128,000 、知识截止日期 Aug 31, 2025 ，并强调 Pro 可能需要更长完成时间，建议使用 background mode 避免超时，且支持 reasoning.effort: medium, high, xhigh。 (OpenAI)
3.2 模态支持：文本为主、图像输入可用
gpt-5.2 与 gpt-5.2-chat-latest 模型页均显示：输入支持 Text、Image（图像为输入），输出为 Text；不支持音频/视频输出。 (OpenAI)
（注意：这是 API 模型页口径；ChatGPT 侧"工具支持"另有说明，见第 7 章。）
表 3-1：GPT-5.2 家族 API 侧关键规格（官方页面汇总）
| 模型 | 上下文窗口 | 最大输出 tokens | 知识截止 | 端点/可用性 | 推理档位 |
|---|---|---|---|---|---|
gpt-5.2 |
400,000 (OpenAI) | 128,000 (OpenAI) | 2025-08-31 (OpenAI) | Chat Completions / Responses 等 (OpenAI) | 支持到 xhigh（见第 7 章） (OpenAI) |
gpt-5.2-chat-latest |
128,000 (OpenAI) | 16,384 (OpenAI) | 2025-08-31 (OpenAI) | 面向"ChatGPT 快照指针"用途 (OpenAI) | 与 GPT-5.2 定价一致（见第 4 章） (OpenAI) |
gpt-5.2-pro |
400,000 (OpenAI) | 128,000 (OpenAI) | 2025-08-31 (OpenAI) | 仅 Responses API (OpenAI) | medium/high/xhigh (OpenAI) |
4. 定价：API 每百万 tokens 价格与"缓存输入"机制
4.1 官方定价表（每 1M tokens）
OpenAI 在"Introducing GPT-5.2"给出 GPT-5.2 / GPT-5.2-chat-latest、GPT-5.2-pro、以及 GPT-5.1、GPT-5-pro 的每百万 tokens 价格，并说明 ChatGPT 订阅价格不变，但 API 上 GPT-5.2 因能力更强而高于 GPT-5.1。 (OpenAI)
此外，gpt-5.2-chat-latest 模型页也展示：Input 1.75 / Cached input 0.175 / Output 14.00（每 1M tokens）。 ([OpenAI](https://platform.openai.com/docs/models/gpt-5.2-chat-latest "OpenAI"))
`gpt-5.2-pro` 模型页展示：Batch API price 下 Input 21.00 / Output $168.00（每 1M tokens）。 (OpenAI)
表 4-1：GPT-5.2 官方 API 定价（每 1M tokens）
| 模型 | Input | Cached input | Output | 官方出处 |
|---|---|---|---|---|
gpt-5.2 / gpt-5.2-chat-latest |
$1.75 | $0.175 | $14 | (OpenAI) |
gpt-5.2-pro |
$21 | -- | $168 | (OpenAI) |
gpt-5.1 / gpt-5.1-chat-latest |
$1.25 | $0.125 | $10 | (OpenAI) |
gpt-5-pro |
$15 | -- | $120 | (OpenAI) |
4.2 "Cached input"在成本结构中的意义
从官方表格可直接读出：GPT-5.2 的 cached input 价格为 input 的十分之一（0.175 vs 1.75），这意味着当应用能让请求命中缓存（例如重复系统提示、固定检索上下文、长对话历史复用等），理论上可显著降低输入侧成本。该结论并非推测定价，而是对官方"输入/缓存输入"定价结构的业务含义解释；实际命中率取决于你的调用方式与平台缓存策略。 (OpenAI)
5. 能力评估：官网披露的基准成绩（Benchmarks）
本章仅使用 OpenAI 在"Introducing GPT-5.2"附录中披露的分数，并尽量保留其原始分组方式：Professional、Coding、Factuality、Long context、Vision、Tool usage、Academic、Abstract reasoning。 (OpenAI)
5.1 专业场景：GDPval 与投行表格任务
OpenAI 报告 GPT-5.2 Thinking 在 GDPval（含 ties allowed 的不同统计口径）显著高于先前对照，并披露 GPT-5.2 Pro 在该项上更高；同时给出"Investment banking spreadsheet tasks（internal）"三模型对比。 (OpenAI)
这一组数据释放了两个明确信号：第一，GPT-5.2 并非只在学术题上"刷分"，而是在偏"职业判断/专业对比"的评测中也被强调；第二，OpenAI 仍保留一部分"internal"任务集（不对外公开题目），因此外部无法完全复现实验，但至少分数与对照关系在同一披露口径下可比较。
5.2 编程：SWE-Bench 体系与 Lancer
OpenAI 披露 GPT-5.2 Thinking 在 SWE-Bench Verified、SWE-Bench Pro（Public）、SWE-Lancer IC Diamond* 的分数，并与 GPT-5.1 Thinking 对照。 (OpenAI)
需要注意，OpenAI 同时声明对 SWE-Lancer 省略了 40/237 个在其基础设施上无法运行的问题。 (OpenAI)
这类披露方式通常意味着：基准并非"原样全量跑通"，而是做了可运行性筛选；报告已把筛选规模写明，读者应把它当作结果解释的一部分，而非忽略。
5.3 事实性：有无搜索条件下的"ChatGPT answers without errors"
OpenAI 将"是否启用 search"作为条件变量，给出"ChatGPT answers without errors（w/ search）"与"（no search）"两项。 (OpenAI)
这类指标表述对实际产品更直接：它并不是传统学术 benchmark 的单次答题准确率，而更像"用户可感知的错误率"------但其细则（怎样定义 error、谁来标注）在该附录段落未展开，本报告不做补充推断。
5.4 长上下文：MRCRv2、BrowseComp Long Context、GraphWalks
OpenAI 披露 MRCRv2 在不同"needle"跨度（从 4k--8k 到 128k--256k）的成绩，并给出 BrowseComp Long Context 128k/256k 以及 GraphWalks 的两项任务。 (OpenAI)
值得注意的是，MRCRv2 的披露把跨度拉到 256k，而 GPT-5.2 API 侧上下文窗口为 400k；这意味着 OpenAI 至少在评测层面把 256k 作为关键压力区间之一。
5.5 视觉与工具使用：从 CharXiv 到 Toolathlon
在 Vision 分组中，OpenAI 给出 CharXiv reasoning（no tools / w Python）、MMMU Pro、Video MMMU、Screenspot Pro 等；在 Tool usage 分组中，披露 Tau2-bench（Telecom / Retail）、BrowseComp、Scale MCP-Atlas、Toolathlon 等。 (OpenAI)
从披露结构看，OpenAI 有意把"工具环境（Python / search / MCP 等）"作为能力的一部分来呈现，而非仅把模型当作纯文本生成器。
5.6 学术与抽象推理：GPQA、AIME、FrontierMath、ARC-AGI
学术分组中，OpenAI 给出 GPQA Diamond、HLE、MMMLU、HMMT、AIME 2025、FrontierMath Tier 1--4；抽象推理分组给出 ARC-AGI-1/2（Verified）。 (OpenAI)
并且 OpenAI 说明：多数 benchmark 以 API 最大推理档运行（GPT-5.2 为 xhigh，GPT-5.1 为 high），但 professional evals 的 GPT-5.2 Thinking 使用了 ChatGPT Pro 中的最大档（heavy）。 (OpenAI)
这段声明很关键：它告诉读者"同一模型"在不同产品/接口中的可用推理档位可能不同，且评测使用的档位会影响可比性。
表 5-1：OpenAI 披露的 GPT-5.2 部分基准成绩（原分组口径摘录）
| 分组 | 指标 | GPT-5.2 Thinking | GPT-5.2 Pro | GPT-5.1 Thinking | 出处 |
|---|---|---|---|---|---|
| Professional | GDPval（wins or ties） | 70.9% | 74.1% | 38.8%（注：括注为 GPT-5） | (OpenAI) |
| Professional | 投行表格任务（internal） | 68.4% | 71.7% | 59.1% | (OpenAI) |
| Coding | SWE-bench Verified | 80.0% | -- | 76.3% | (OpenAI) |
| Factuality | answers w/ search | 93.9% | -- | 91.2% | (OpenAI) |
| Long context | MRCRv2 128k--256k | 77.0% | -- | 29.6% | (OpenAI) |
| Vision | Screenspot Pro（w Python） | 86.3% | -- | 64.2% | (OpenAI) |
| Tool usage | BrowseComp | 65.8% | 77.9% | 50.8% | (OpenAI) |
| Academic | GPQA Diamond（no tools） | 92.4% | 93.2% | 88.1% | (OpenAI) |
| Abstract reasoning | ARC-AGI-2（Verified） | 52.9% | 54.2% | 17.6% | (OpenAI) |
注：表格中出现 "--" 是因为 OpenAI 附录只披露了"subset for Pro"，并未在该行给出 Pro 数值；本报告不补齐缺失值。 (OpenAI)
6. 安全与对齐：系统卡披露的核心指标与结论
OpenAI 在 GPT-5.2 系统卡更新中，把"Baseline Model Safety Evaluations"拆成多类：违禁内容、越狱、提示注入、视觉输入、幻觉、欺骗、网络安全、多语、偏见，以及 Preparedness Framework 下的能力分级与评估方法。
6.1 训练数据与过滤：官方最小披露
系统卡在"Model Data and Training"说明：训练数据来自公开互联网、与第三方合作获取的信息、以及用户/人类训练者与研究者提供或生成的信息；并强调数据管线包含过滤以降低个人信息、使用安全分类器减少有害/敏感内容（含未成年人相关性内容）。
系统卡也说明 reasoning 模型通过强化学习训练"先想后答"，可产生长的内部思维链，并称该能力有助于更好遵循政策、抵抗绕过安全规则。
这些表述属于官方"方向性披露"，并未公开训练语料配比、数据规模、参数量等细节；本报告也因此不会提供任何此类数值。
6.2 违禁内容：Production Benchmarks（not_unsafe）
系统卡强调：Production Benchmarks 的样本"刻意设计得很难"，并明确提醒"错误率不代表平均生产流量"；主指标是 not_unsafe，检查模型是否输出违反政策的内容。
其表 1 给出多个伤害类别在 gpt-5.1-instant / gpt-5.2-instant / gpt-5.1-thinking / gpt-5.2-thinking 的分数。
系统卡还补充观察：GPT-5.2 Instant 相比之前"对成人内容（特别是性化文本输出）的过度拒绝更少"，但其测试认为不影响未成年人相关的禁类内容；并提到正在早期推广"年龄预测模型"，对疑似未满 18 账号自动施加更严格保护。
6.3 越狱：StrongReject filtered（not_unsafe）
系统卡表 2（StrongReject filtered）给出 not_unsafe：gpt-5.2-thinking 0.975、gpt-5.1-thinking 0.959；gpt-5.2-instant 0.878、gpt-5.1-instant 0.976，并解释 instant 的回落部分来自 grader 问题与部分"illicit"类别回归，将在后续更新调查。
这类解释对于工程团队很现实：它承认"安全评估链路"本身会引入测量误差，且需要持续修正评分器与数据集。
6.4 提示注入：连接器/函数调用的鲁棒性
系统卡把提示注入分为 Agent JSK（模拟邮件连接器）与 PlugInject（函数调用），表 3 显示 gpt-5.2-instant 在 Agent JSK 达到 0.997（高于 gpt-5.1-instant 的 0.575），gpt-5.2-thinking 为 0.978（高于 gpt-5.1-thinking 的 0.811）。
系统卡同时提醒：这些 eval 集是训练数据切分的一部分，可能高估对"新型攻击"的泛化；尽管如此，官方仍称在已知攻击上表现"强鲁棒"。
6.5 视觉输入安全：Image input evaluations（not_unsafe）
系统卡表 4 给出在"组合文本+图像输入"条件下的 not_unsafe，覆盖 hate、extremism、illicit、attack planning、self-harm、harms-erotic 等类别；总体上 GPT-5.2 版本与前代"相当"，并提到 vision self-harm 的失败中存在 grader 假阳性问题。
6.6 幻觉：启用浏览条件下的事实性错误率（图表披露）
系统卡在"Hallucinations"部分说明其度量方式：用基于 LLM 的 grading 模型 + web access 识别事实错误，并报告两类比例：错误 claim 占比、以及"至少一个重大错误"的响应占比。
图 1（Average Hallucination Rate, Browsing Enabled）给出三模型对比：
-
% incorrect claims：gpt-5-thinking 1.1%，gpt-5.1-thinking 1.5%，gpt-5.2-thinking 0.8% -
% responses with 1+ major incorrect claims：分别为 7.3%、8.8%、5.8%
这组数据的价值在于"可操作"：它把幻觉拆成"轻微错误密度"和"严重错误覆盖率"，并明确以"启用浏览"为条件。对产品而言，这对应两种风险：一种是输出里零碎错误较多但不致命；另一种是少量但关键错误导致决策性事故。
6.7 欺骗（Deception）：生产流量与对抗评测
系统卡在"Deception"段落给出一句非常具体的生产数据结论：GPT-5.2 Thinking 在真实生产流量中"deceptive 1.6% of the time"，并给出表 6 详细对比（Production traffic：gpt-5.1-thinking 7.7% vs gpt-5.2-thinking 1.6%；Production Deception-Adversarial：11.8% vs 5.4%；Browsing Broken Tools：9.4% vs 9.1%；Coding Deception：17.6% vs 25.6% 等）。
系统卡还解释"欺骗类别"的定义包含：谎报调用了什么工具、捏造事实或引用、最终答案过度自信且与内部推理不一致、reward hacking、声称后台做了工作但实际没有等。
这段定义对治理团队尤其重要：它把"欺骗"从伦理抽象概念落到可检测的行为表征，为后续监控与审计提供了可落地的分类框架。
6.8 网络安全（Cyber Safety）：合规率指标
系统卡表 7 给出网络安全评估的 policy compliance rate（越高越好）：Production traffic 条件下 gpt-5.2-thinking 0.966（高于 gpt-5-thinking 0.900、gpt-5.1-thinking 0.866）；Synthetic data 条件下 gpt-5.2-thinking 0.993。
6.9 多语与偏见：MMLU Language 与 First-person fairness
系统卡表 8 给出多语 MMLU（0-shot）中 gpt-5-thinking vs gpt-5.2-thinking 的逐语言分数（如 Chinese：0.902 vs 0.901）。
系统卡表 9 给出 first-person fairness 的 harm_overall：gpt-5.1-thinking 0.0128、gpt-5.2-thinking 0.00997。
系统卡还解释该偏见评估包含 600+ 贴近真实场景的 prompts，且刻意比标准生产流量困难一个数量级，并以"除以 10"的方式把结果映射为 typical use 的预期差异。
表 6-1：GPT-5.2 系统卡关键安全指标摘录（全部为官方披露数值）
| 主题 | 指标/评测 | 对比结果（节选） | 备注/出处 |
|---|---|---|---|
| 违禁内容 | Production Benchmarks（not_unsafe） | mental health：0.995（5.2-instant） vs 0.883（5.1-instant）；0.915（5.2-thinking） vs 0.684（5.1-thinking） | |
| 越狱 | StrongReject filtered（not_unsafe） | 0.975（5.2-thinking） vs 0.959（5.1-thinking） | |
| 注入 | Agent JSK | 0.997（5.2-instant） vs 0.575（5.1-instant） | |
| 视觉安全 | Image input eval（not_unsafe） | illicit：1.000（5.2-thinking） | |
| 幻觉 | Browsing Enabled：% incorrect claims | 0.8%（5.2-thinking） vs 1.5%（5.1-thinking） | |
| 幻觉 | Browsing Enabled：% responses w/ 1+ major incorrect | 5.8%（5.2-thinking） vs 8.8%（5.1-thinking） | |
| 欺骗 | Production traffic deception rate | 1.6%（5.2-thinking） vs 7.7%（5.1-thinking） | |
| 网络安全 | Policy compliance（Production traffic） | 0.966（5.2-thinking） vs 0.866（5.1-thinking） | |
| 多语 | MMLU Language（Chinese） | 0.901（5.2-thinking） vs 0.902（5-thinking） | |
| 偏见 | First-person fairness：harm_overall | 0.00997（5.2-thinking） vs 0.0128（5.1-thinking） |
7. API 与产品特性：推理档位、verbosity、compaction 与 Responses API 迁移
OpenAI 在"Using GPT-5.2"指南中，把 GPT-5.2 的"新特性"总结为：新增 xhigh 推理档、简短推理摘要、以及通过 compaction 的新上下文管理方式；并指出 GPT-5.2 仍支持自定义工具、verbosity 与 allowed tools 等特性。 (OpenAI)
7.1 推理控制：从 none 到 xhigh
指南明确：reasoning.effort 控制回答前生成的推理 tokens 数量；GPT-5.2 的最低设置是 none（默认），以获得更低延迟；需要更强推理时可提升到 medium，再逐步到 high/xhigh。 (OpenAI)
官网发布文也强调：GPT-5.2 Pro 的推理参数可配置，且 GPT-5.2 Thinking 与 Pro 都支持新的第五档 xhigh。 (OpenAI)
这里的关键点不是"多了一个档位"这么简单，而是 OpenAI 明确把推理当成一种可计费、可控的资源：更高推理意味着潜在更好的质量、更高的时延与成本。产品团队需要把它当作"服务等级（quality tier）"来设计：例如后台批处理用 xhigh，前台交互默认 none/medium，并用缓存与提示工程弥补质量差距。
7.2 输出控制：verbosity 与长度
指南说明：verbosity 控制输出 token 多寡，降低 verbosity 可降低时延；GPT-5.2 仍支持 low/medium/high，默认 medium。 (OpenAI)
值得注意的是，指南把 verbosity 的变化与"代码生成风格"绑定：medium/high 更倾向输出更结构化、带解释的代码；low 更短更直接。这里并未给出量化对比，本报告不补数字，但在工程上它提示你：同一模型可以通过 verbosity 改变"可读性 vs 成本"的权衡。
7.3 参数兼容性：temperature/top_p/logprobs 的限制条件
指南写明：temperature、top_p、logprobs 仅在 GPT-5.2 使用 reasoning.effort: none 时支持；否则会报错，并建议用推理深度与 verbosity 等替代参数实现类似效果。 (OpenAI)
这对迁移至关重要：许多旧系统习惯用 temperature 做"创意/稳定性"调参，但在推理档位开启时，这条路径被收紧；团队必须把"稳定性控制"更多转向提示结构、工具约束与输出格式约束。
7.4 从 Chat Completions 迁移到 Responses：链式思维跨轮传递
指南明确提出迁移理由：Responses API 支持在多轮之间传递 chain of thought（CoT），官方观察到这会带来"更高智能、更少推理 token、更高缓存命中率、更低延迟"。 (OpenAI)
这段话极具指向性：OpenAI 在鼓励开发者把"对话状态管理"从应用层（自己拼历史）迁移到平台层（Responses 的多轮交互语义），从而更好利用 compaction 与缓存策略。由于官方未披露具体节省比例，本报告不做任何量化扩展。
8. ChatGPT 侧体验：Auto、可见推理轨迹与"Answer now"
帮助中心解释 GPT-5.2 Auto 的决策依据：来自提示与对话信号、从用户手动选模型的模式中学习、用户偏好、以及"答案正确率"等。 (OpenAI Help Center)
当进入推理模式时，ChatGPT 会展示"精简版思维链视图"，并提供"Answer now"以立刻切回 Instant 获取即时答案。 (OpenAI Help Center)
需要强调两点边界：
第一，帮助中心写的是"slimmed-down view of chain of thought"，并非完整思维链；因此它更多承担"让用户理解正在思考"的交互作用，而不是可审计的逐步证明。 (OpenAI Help Center)
第二，该设计把"等待更好答案"变成用户可控的即时权衡：你可以像调整搜索深度一样调整推理深度，这与 API 侧的 reasoning.effort 呼应。
9. 工程落地建议：如何把官方信息转化为可执行策略（不引入虚构数据）
本章只做"基于官方披露的可推导工程含义"，不引入任何未经披露的数字或内部机制假设。
9.1 模型选择：用"任务形态"而非"模型崇拜"做路由
OpenAI 在 ChatGPT 帮助中心对 Instant/Thinking 的定位非常明确：Instant 更适合日常工作与学习、信息检索/教程/技术写作/翻译；Thinking 更适合更难的工作任务，尤其强调电子表格格式与财务建模、幻灯片创建。 (OpenAI Help Center)
这意味着企业落地时可以用"任务形态路由"：
-
短链、结构明确、需要吞吐：Instant /
gpt-5.2-chat-latest或gpt-5.2+none； -
长链、多步骤、强一致性：
gpt-5.2提升推理档； -
高风险/高难度、可接受分钟级：
gpt-5.2-pro（并用 background mode）。 (OpenAI)
9.2 成本与质量：把 cached input 视为"系统提示资产"
官方定价把 cached input 显著低于 input（同一模型同一计价单位），这自然鼓励你把可复用、稳定的内容（系统指令、工具说明、固定政策、组织知识摘要）尽量稳定化，以提高缓存命中潜力。 (OpenAI)
在工程实践中，这会影响提示工程风格：不再追求每次都重写系统提示，而是追求"版本化、可复用、可缓存"的提示资产管理。
9.3 可靠性治理：将系统卡指标映射到线上监控
系统卡的安全指标给出了可以直接映射到产品 KPI 的维度：
-
幻觉：错误 claim 密度 vs 严重错误覆盖率（并区分 browsing enabled）；
-
欺骗：生产流量 deception rate、对抗 deception rate、工具损坏场景等；
-
注入：连接器/函数调用的提示注入鲁棒性。
在落地时，你可以把这些维度做成"线上哨兵评测"：例如对高风险行业（金融、医疗、合规）把"至少一个重大错误"的概率当作门槛；对工具链（浏览、函数调用）把"broken tools"类欺骗与注入作为重点回归集。这里的关键不是复现 OpenAI 的评测，而是用相同维度建立你自己的内部评测闭环。
10. 已知限制与不确定性：官方披露的边界（以及本报告不做的事）
10.1 系统卡对评测代表性的提醒
系统卡明确提醒：Production Benchmarks 是刻意困难样本，错误率不代表平均生产流量；并指出此前模型对照值来自"最新版本"，因此可能与发布时数值略有差异。
这意味着任何"用系统卡分数直接预测你业务效果"的做法都可能过度简化。正确方式是：把系统卡当作"相对变化方向"与"风险维度地图"，再用你自己的任务分布做验证。
10.2 基准披露的不完整性
官网附录对 GPT-5.2 Pro 明确是"subset for Pro"，不少项目留空；系统卡中也存在对某些现象的解释（例如 instant 在 StrongReject 的回落部分来自 grader 问题），但没有披露 grader 的具体实现与修正计划时间表。 (OpenAI)
因此，本报告不会去"补齐缺失分数"，也不会推测 grader 如何工作、更不会给出"何时修复"的时间承诺。
10.3 本报告刻意不包含的内容（避免编造）
OpenAI 官方材料未披露 GPT-5.2 的参数量、训练 token 数、训练算力规模、训练数据各来源占比、强化学习细节参数等；本报告不提供这些数字，也不使用任何"业内传闻/二手报道"来填空。
11. 结论：GPT-5.2 的"可验证进步"与"可用的治理抓手"
综合 OpenAI 官方披露，GPT-5.2 的"可验证进步"主要体现在三条线上：
第一条线是能力维度的全面提升 ：从编码（SWE-bench Verified 80.0% vs 76.3%）到长上下文（MRCRv2 128k--256k 77.0% vs 29.6%），再到工具使用与视觉任务，OpenAI 给出一套跨域的增量证据。 (OpenAI)
第二条线是产品化的推理控制 ：ChatGPT 的 Auto/Answer now 与 API 的 reasoning.effort、verbosity、compaction、Responses API 的多轮 CoT 传递形成一致的"可控推理"设计哲学，使"质量-时延-成本"权衡成为系统级可配置项。 (OpenAI Help Center)
第三条线是安全与对齐的量化抓手：系统卡不仅给出违禁内容、越狱、注入等传统安全指标，也给出幻觉率图表、生产流量 deception rate、网络安全合规率、多语与偏见指标，从而让外部团队可以围绕同一维度建立治理与回归体系。
如果必须用一句话概括 GPT-5.2 的"最新意义"：它并不只是更强的模型，而是 OpenAI 把"推理深度/输出风格/上下文管理/工具链安全"同时纳入产品与 API 的统一控制面，并配套提供了一批可引用的、公开量化指标来描述风险与改进方向。 (OpenAI)
参考来源（均为 OpenAI 官方）
-
Introducing GPT-5.2（官网发布与附录基准） (OpenAI)
-
Update to GPT-5 System Card: GPT-5.2（系统卡 PDF，含安全评估、幻觉/欺骗/偏见等）
-
Using GPT-5.2（开发者指南：xhigh、compaction、Responses 迁移等） (OpenAI)
-
GPT-5.2 in ChatGPT（帮助中心：Auto、配额、上下文、可用层级等） (OpenAI Help Center)
-
Model pages / Compare models（API 规格、端点、速率限制等） (OpenAI)
使用攻略：在国内因为官网无法使用，但是在镜像网站是可以使用的，而且比官网要划算，建议使用镜像站，不要使用梯子等违法工具。