近日，AI社区对OpenAI最新发布的GPT-5.2模型的基准测试结果提出质疑。用户发现，在关键评测中，GPT-5.2可能使用了远超对手Gemini3.0Pro的算力资源，通过调整模型的“推理力度”参数。具体来说，在ARCAGI2测试中，GPT-5.2xhigh版每个任务消耗约13.5万个token，而Gemini3.0Pro仅使用了6.7万token，取得相似成绩。如果将算力投入标准化，两个模型的真实能力几乎并驾齐驱。

此外，GPT-5.2在其他测试中的表现并不如预期。在HLE、MMMU-Pro、Video-MMMU和FrontierMathTier4中，即使使用了超过Gemini3两倍的token数，GPT-5.2的表现仍然不佳。在GPQA上，两者基本相当。唯一例外的是GDPVal测试集，由OpenAI自己创建，结果的客观性有待考量。

这一发现引发了网友热议，有人认为如果用户得到的“推理力度”参数和token数与测评时不同，那么OpenAI就涉嫌虚假营销。也有人认为，即使增加Gemini3的token数量，它也未必能赶超GPT-5.2。同时，有用户反映GPT-5.2的实际体验并不理想，如在检查代码时出现严重幻觉现象，无法理解函数代码等。这表明GPT-5.2的实际体验与基准测试结果存在较大差距。