⏱️ Период полураспада SOTA-моделей: GPT-5.2 is out
Ситуация на рынке AI становится гротескной: новые модели не держатся в топе лидербордов и пары недель. Помните времена, когда мы год жили с одной версией GPT-4 и считали это нормой? Забудьте. Сейчас, если вы моргнули, вы пропустили смену лидера индустрии.
Что улучшили?
1️⃣ Программирование: потолок пробит
На SWE-bench Verified (это бенчмарк, где решаются реальные задачи из GitHub-ишью) модель выдает 80.0%.
Для сравнения: 5.1 Thinking выдавала 76.3%.
Но интереснее другой график — SWE-Bench Pro (более сложный, мультиязычный тест). Там 55.6% против 50.8% у предшественника.
2️⃣ Агентность и инструменты 🛠
Вот где настоящий жир. OpenAI заявляют о радикальном улучшении в tool calling (вызове инструментов).
В отчете есть кейс Triple Whale, которые схлопнули сложную систему из кучи агентов в одного мега-агента с 20+ инструментами.
We no longer need sprawling system prompts because 5.2 will execute cleanly off a simple, one-line prompt.
Если вы все еще пишете гигантские простыни инструкций, чтобы заставить модель правильно вызвать функцию, то 5.2 умеет оркестрировать сложные процессы (пофиксить баг -> прогнать тесты -> обновить доку) без няньки.
3️⃣ Контекст и "Игла в стоге сена"
Заявлена почти 100% точность на тесте 4-needle MRCR с контекстом до 256k токенов.
На практике: вы можете скармливать модели огромные куски легаси-кода, документацию и логи одновременно. И она (вроде как) не потеряет нить рассуждения. Для рефакторинга и онбординга в чужие проекты — это киллер-фича.
4️⃣ Vision для фронтендеров
Те, кто верстает по скриншотам, возрадуйтесь. ScreenSpot-Pro показал рост с 64.2% до 86.3%.
Модель наконец-то начала нормально понимать пространственное расположение элементов. "Сделай как на картинке" перестает быть лотереей.
💸 Ложка дегтя: цена
За интеллект надо платить. В API GPT-5.2 Thinking стоит $1.75 за 1M входных и $14 за 1M выходных токенов. Это дороже, чем 5.1 ($1.25 / $10).
Короче, наша задача как инженера теперь сводится к двум вещам:
1. Декомпозиция задачи до уровня, понятного агенту.
2. Жесткое Code Review того, что он там нагенерил (галлюцинаций стало на 30% меньше, но они никуда не делись).
3. ПЛОТИТЬ ДЕНЮЖКИ
