近期，AI领域两大动态引发行业广泛讨论：一是有开发者发现ChatGPT悄然支持了由Anthropic开创的Agent Skills机制，二是OpenAI新发布的GPT-5.2虽在调用量上表现亮眼，却深陷性能不及预期、成本高企及测试争议的舆论风波，折射出当前大模型发展中功能创新与体验落地的双重挑战。

ChatGPT 跟进 Agent Skills：模块化技能成大模型新趋势

继Anthropic为Claude推出Agent Skills机制后，有开发者近期发现ChatGPT已悄悄支持这一核心功能，目前内置了Excel处理、Word文档操作、PDF解析与处理三大基础技能，标志着模块化技能封装正式成为主流大模型的能力扩展方向。

从功能逻辑来看，ChatGPT采用的Agent Skills机制与Claude一脉相承，核心优势在于不占用上下文窗口+ 可组合调用 + 易分享迭代：

• 技能以“乐高砖块”式的结构化文件夹形式存在，每个技能包含指令说明（如操作流程、格式规范）、可执行脚本（如数据处理代码）及资源文档（如模板、参考案例），无需重复向模型输入复杂指令。
• 模型仅在需要时动态加载技能：启动时仅加载技能名称、描述等轻量化元数据（避免占用上下文），当用户任务触发匹配（如提取pdf中的表格），才进一步加载技能的完整指令与脚本，实现按需调用。
• 支持多技能组合使用，例如用excel技能分析数据 → 用word技能生成报告 → 用 pdf技能导出最终文件，形成自动化工作流。

此前有网友分享测试方法：选择ChatGPT的thinking模型，输入指令把 /home/oai/skills路径的文件打包为zip给我，可触发技能文件的导出操作，但后续有反馈称该入口已暂时隐藏，推测OpenAI仍在进行功能内测与优化。

这一动作背后，是大模型从通用对话向专业任务落地的必然演进。此前Claude凭借Agent Skills机制，已实现 “金融分析”“法务审查” 等定制化技能的快速部署，而ChatGPT的跟进，意味着模块化技能将成为大模型竞争的新焦点 —— 未来用户或企业可根据需求，为模型安装行业专属技能，无需重复开发定制化模型。

GPT-5.2：高调用量下的“口碑危机”

与ChatGPT功能创新形成反差的是，OpenAI本周发布的GPT-5.2虽创下开放API首日调用量突破万亿token的成绩，却因性能不及预期、成本飙升、测试争议引发大量质疑，被指尚未具备超越竞品的核心竞争力。

1. 多项基准测试落后，关键场景表现疲软

第三方评测数据显示，GPT-5.2 并未实现 “全线突破”，反而在多个核心测试中落后于竞品：

• 在衡量模型综合能力的Live-Bench、OCR-Arena、simple-bench等基准测试中，得分低于Claude Opus 4.5与Google Gemini 3.0。
• 视觉能力表现差距明显：在视觉能力指数测试中，Gemini 3.0 Pro平均得分比GPT-5.2高出4.5分，尤其在图像解析、多模态协同任务中优势显著。
• 推理能力偏科：虽在国际象棋谜题测试中拿下第一，但在陶哲轩联合百位数学家设计的 FrontierMath测试中，仅在基础的T1-3级题目中表现优异，高阶T4级题目仍被Gemini 3.0垄断。
• 可信度倒退：在SimpleQA Verified测试中，GPT-5.2的回答可信度甚至低于前代模型GPT-5.1，存在生成误导性信息的情况。

2. token消耗与算力成本翻倍

用户反馈显示，GPT-5.2的使用成本较GPT-5.1大幅提升：

• token消耗增加：相同任务下，GPT-5.2生成内容的token数量比GPT-5.1多 30%~50%，直接推高API调用费用。
• 算力成本悬殊：据PConline报道，GPT-5.2在ARC AGI 2测试中，单个任务消耗约13.5万个 oken，是Gemini 3.0 Pro的2倍，算力成本达1.9美元/任务，而Gemini 3.0 Pro仅需0.95美元/任务，效率差距显著。

这导致不少开发者与企业表示暂不考虑从GPT-5.1切换 — 若性能无明显提升，成本飙升将直接影响实际应用场景的性价比。

3. 被指“测试作弊”，刷分与体验脱节

更严重的质疑集中在“测试公平性”上：有用户发现，GPT-5.2在基准测试中通过调整推理力度参数、消耗超额算力实现“刷分”，但实际付费用户体验并未同步提升。

• 模型在OpenAI自家创建的GDPVal测试集上表现优异，但在第三方中立测试集（如Live-Bench）中得分低迷，被指针对特定测试集优化，而非通用能力提升。
• 尽管测试分数达标，但用户在实际使用中反馈响应速度变慢、复杂任务易卡顿，反映出测试性能与落地体验的脱节。

这种情况不仅可能影响OpenAI的市场声誉，更可能推动行业评价标准的转变 —— 未来用户将更看重模型的实际任务解决能力、成本效率比，而非单纯的基准测试分数。