GPT-5.2 OpenAI выпустила 11 декабря 2025 года в трёх версиях — Instant, Thinking и Pro. Главной цифрой релиза стал GDPval, бенчмарк реальных рабочих задач: эксперты вслепую сравнивали результат модели с работой профессионала, и GPT-5.2 Thinking оказалась не хуже человека в 70,9% сравнений, Pro — в 74,1%. У GPT-5 было 38,8%. К сентябрю 2026 года GPT-5.2 уже убрали из ChatGPT, её преемники поднялись на GDPval до 85%, а OpenAI дошла до семейства GPT-6.
Что такое GDPval и что значат цифры
GDPval OpenAI опубликовала в сентябре 2025 года. В нём 1 320 задач из 44 профессий — от юристов и инженеров до медсестёр и видеомонтажёров. Задачи писали практики со стажем в среднем 14 лет, и на выходе нужна настоящая рабочая вещь: таблица, презентация, документ. Эксперты той же профессии сравнивают её с работой человека и решают, лучше она, так же хороша или хуже.
Поэтому 70,9% — это не «модель полезна в трёх случаях из четырёх», а доля сравнений, где её результат признали не хуже экспертного. Если считать только чистые победы, у GPT-5.2 Thinking выходит 49,8%. И сама OpenAI оговаривает ограничение: задачу решают с одного захода, без правок и уточнений, как в реальной работе.
Скачок от 38,8% к 70,9% всё равно большой. OpenAI назвала GPT-5.2 первой своей моделью, которая работает на уровне эксперта, — это заявление компании, независимой проверки ему нет.
Что ещё улучшили
- Ошибки в ответах. По замерам OpenAI, ответов с ошибками стало на 30% меньше, но это с включённым поиском. Без поиска разница около 5%: 12,0% ошибочных ответов против 12,7% у GPT-5.1. Галлюцинации, по объяснению самой OpenAI, растут из способа обучения: модель учат угадывать следующее слово, а оценки поощряют уверенный ответ вместо честного «не знаю».
- Длинный контекст. На тесте MRCR v2, где надо найти в огромном тексте нужный ответ среди похожих, GPT-5.2 почти безошибочна на коротких документах. На 128–256 тысячах токенов с восемью «иголками» у неё 77% против 29,6% у GPT-5.1 — огромный рост, но модель всё ещё ошибается примерно в каждом четвёртом случае.
- Агентные задачи. На τ²-bench Telecom, где модель с инструментами решает обращения в поддержку оператора связи, GPT-5.2 набрала 98,7%. Цифра «с 47% до 98%», которая ходила по новостям, сравнивает разные режимы: на максимуме рассуждений рост был с 95,6% до 98,7%, без рассуждений — с 47,8% до 57,2%.
- Код и математика. SWE-bench Verified вырос с 76,3% до 80%, на задачах AIME 2025 модель решила все 100%.
Один агент вместо многих
Мысль, что GPT-5.2 позволяет заменить хрупкую систему из нескольких агентов одним агентом с десятками инструментов, в релизе действительно была. Но это отзыв клиента — компании Triple Whale, — а не позиция OpenAI. Показательно, что через полгода, в GPT-5.6, OpenAI сама выпустила режим с несколькими параллельными агентами.
Что было дальше
- 5 марта 2026 — GPT-5.4: 83% на GDPval, контекст до миллиона токенов и управление компьютером.
- 23 апреля — GPT-5.5: 84,9% на GDPval. Вопрос «что будет, когда показатель дойдёт до 85%» получил ответ через четыре с половиной месяца.
- 12 июня — GPT-5.2 убрали из ChatGPT, старые диалоги перенесли на GPT-5.5.
- 9 июля — GPT-5.6 в трёх версиях: Sol, Terra и Luna. С ней OpenAI перестала публиковать классический GDPval и перешла на рейтинг Эло от Artificial Analysis.
- 3 сентября — GPT-6 Astra, 22 сентября — GPT-6 Sol и Luna.
Как с новым флагманом меняется работа с промптами — в разборе GPT-6 Astra и коротких skills.
Изменил ли ИИ рынок офисного труда
Пока меньше, чем обещали бенчмарки. Независимый трекер Yale Budget Lab в сентябре 2026 года не видит явного следа ИИ в занятости и безработице по профессиям. Но удар заметен точечно: по исследованию Стэнфорда на данных ADP, занятость сотрудников 22–25 лет в профессиях, сильнее всего подверженных ИИ, снизилась на 16%, а у опытных осталась стабильной. ИИ пока не увольняет людей, а сокращает найм новичков.
Итог
GPT-5.2 была не тихим, а поворотным релизом: впервые модель OpenAI на реальных рабочих задачах сравнялась с экспертами в большинстве сравнений. Через девять месяцев этот уровень стал нормой, а сама модель — историей. Цифры бенчмарков при этом стоит читать внимательно: они показывают, на что способна модель в лучшем режиме, а не то, как она ведёт себя в обычном чате.
Как режим исследования в ChatGPT перестроили на эту модель — Deep Research на GPT-5.2.
