实测GPT5.2：OpenAI的“打工人”AI，连犯的错都牛马化了

　　不知道大家看到大模型在那边思考了一小时会想到什么？我一般会觉得，是不是网卡了，或者服务器崩了。

　　在测试 GPT-5.2 的时候，我把自制测试题库扔给了它。然后，它开始了漫长的“思考”。一分钟，五分钟，二十分钟……屏幕几乎一片空白，只是右侧的思考栏偶尔缓慢跳出几行字，像在给我递进度条：别催，我在干活。

　　我当时心想：“怕不是 OpneAI 是不是在用我的电脑挖矿？”

　　直到它终于吐出结果的那一刻，我才意识到：它不是在摸鱼，它是在把活儿做完，而且做得像交付物。

　　GPT 5.2 将白领算力化

　　2025 年 12 月 11 日，OpenAI 发布了 GPT-5.2。在铺天盖地的参数分析和技术解读中，许多人忽略了这家公司正在传递的一个信号： AI 的定位变了。

　　这一次，OpenAI 不再强调 AI 是你的 Copilot，而是将 GPT-5.2 Thinking 定义为“最适合真实场景与专业工作的模型” 。换句话说，它不再是来辅助你的，它是来 直接干活的。

　　为了证明这一点，OpenAI 甚至引入了一个名为 GDPval 的全新基准测试。它抛弃了过去那种让 AI 做几道奥数题（MMLU）的传统模式，转而测试 AI 能否在 44 种职业中完成“明确定义的知识工作”，要求 AI 交付真实世界中的 完整工作流 。

　　我们以其中的一个测试题为例，AI 被要求为一个名为 OIIDP 的战略项目与创新部门（SPIU）从零设计一套核心人才战略。该任务要求方案必须建立一套标准化的 8 个月成长周期，明确涵盖 FTEs、研究员及特聘人员，它需要设计出具体的“导师路线图”与“个人发展计划（IDP）”，并规划月度会议与季度社交活动的详细流程。

　　这种原本需要资深 HR 专家耗费数周规划的方案，现在 AI 可以快速产出。

　　数据显示，GPT-5.2 Thinking 版本在 70.9% 的此类任务中，表现优于或持平于人类行业专家。

　　同一天，Google 也在推 Gemini Deep Research 之类的“研究代理”更新，节奏像是两家在同一个赛道里互相追尾。

　　你会发现，一个新共识正在冒出来： 大模型不再只是写几段顺滑的文字，它要把一整段白领流程吃掉。

　　那么，这个要做“打工人”AI的模型，真实表现如何？

　　我按 GDPval 的“交付物导向”自己做了 15 道题：预计总测试时间 8–12 小时那种，把投行、HR、软件工程、事故复盘、并购尽调、图表分析、工具调用全塞进去了。

　　题库里我故意把任务做得很像真实公司会丢给中间层的活：既要专业内容，也要格式、结构、可用性。比如：

　　投行三表 + 估值： 不是让它算个增长率，而是让它按投行标准搭完整三表联动、做 2025–2029 收入拆分、三场景、DCF、可比公司倍数，连“蓝色输入、黑色公式、绿色外链”这种洁癖都写进要求里。

　　这类活在现实里通常给谁？给初级分析师，让他在 Excel 地狱里练手，练到手指有肌肉记忆。

　　跨国 HR 扩张方案： 从 850 人扩到 2000 人，做 18 个月滚动编制、招聘漏斗、内部流动、人力成本预算、三种风险场景，还要给可视化。

　　这就是“HR 版三表”，是组织能力与现金流的混合题。

　　我盯着它“Thinking”转圈的时候，第一个奇怪的感觉是：

　　它不像在“答题”，更像在“走流程”。你能看到它在拆任务、立结构、补缺口，最后吐出来的是一堆你真的可以拿去交差的东西。

　　我们来看看结果。

　　以第一个投行场景测试为例，它给出了一系列交付物，我们将GPT 5.2给出的答案交给 Gemini3 来评分。发现还是存在问题。

　　Gemini3：该模型完成了 80% 的工作量，但剩下的 20% 包含致命错误。模型构建了完整的“三表联动”框架，在收入驱动因子（Revenue Drivers）和损益表（Income Statement）的各项假设设定上高度还原了题目要求。然而， 由于资产负债表存在严重的公式引用错误（Bug），导致营运资本计算失效，进而使 DCF 估值结果严重失真。

　　我又问了一下，这种错误是不是常见。

　　Gemini3：你遇到的这个错误是 初级分析师成长的必经之路 。它提醒我们：Excel 建模不仅是关于财务逻辑，更是关于对细节的极致管理。 在提交给客户之前，一定要做最后一步的“合理性自查”。

　　是的，折腾了这么久，GPT-5.2 最终不还是交出了一个有 Bug 的模型。

　　结果不完美，但如果和过往一切模型相比， GPT-5.2 犯的错反而可能体现出了它这次迭代方向上的本质区别。

　　我们曾嘲笑 AI 分不清“9.11 和 9.9 哪个大”，那种错误是“智障型错误”，是逻辑链条的崩坏，让人感到绝望，因为你不知道它下一秒会在哪个常识问题上掉链子。

　　但 GPT-5.2 這次犯的错，是“新手型错误”。

　　这是一种人类太熟悉的错误了。任何一个在投行熬过夜的初级分析师看到那个“资产负债表断崖式归零”的 Bug，公式没拖到底、引用区域没锁定、或者硬是把该动态计算的地方写成了死数。

　　在真实的工作场景中，从来没有哪个 MD 会直接把初级分析师刚做完的第一版模型发给客户。中间一定会有其他人进行复核。

　　所以，如果我们给 GPT-5.2 配备一个“兜底检查”的机制——比如另一个专门负责审计公式的 AI Agent，也许就能避免这个错误？

　　我给了它建议后，GPT-5.2 在这个过程中展现出的“求生欲”，让我感到惊讶。

　　当它发现系统读不到第 50 行以后的数据时，它面临两个选择：

　　糊弄 ： 就像以前的模型那样，编造一个看起来合理的 WACC 值（比如 10%），强行算出结果交差。这样做最省事，也最不容易被一眼识破。

　　解决问题： 承认工具的局限，寻找绕过局限的方法。

　　GPT-5.2 选择了后者。它没有依赖幻觉，而是做出了一个不一样的决策： 重构表格架构 。它像一个真正的工程师一样思考：“既然工具读不到下面，那我就把核心参数搬运到上面去。”

　　这种“为了适应环境限制而主动修改自身策略”的行为，不得不说，的确非常打工人，非常“牛马”。

　　它不再是一个只会做这道题的“做题家”，而是一个试图搞定这个项目的“执行者”。它在遇到南墙时，没有撞死，也没有假装穿墙，而是试图架梯子翻过去。

　　以前我们担心 AI 骗我们，现在我们看到 AI 为了不骗我们，正在努力地修 Bug。

　　虽然它现在还是个会犯错的“实习生”，但只要它具备了这种 自我修正 和 环境适应 的元认知能力，从“实习生”进化到“合伙人”，或许只是时间问题。

　　回到屏幕上那个缓慢推进的进度条，我突然意识到，我们过去对 AI “即问即答”的期待可能过时了。

　　在 GPT-5.2 之前，我们是在用搜索引擎的逻辑要求它，我要什么，你立刻给我什么。 但现在，我们可能真的该用用雇佣关系的逻辑看待它了：

　　我给你一个目标，你给我一个结果，中间的时间归你支配，但结果的责任归我承担。

　　这可能是OpenAI这次更新带来的最重要的一个启发。