北京
出品 | 網易智能
作者 | 小小
編輯 | 王鳳枝
今天凌晨OpenAI意外發布GPT-5.5。最核心的變化不是答案寫得更漂亮，而是它更像一個能自己接活的系統：理解復雜目標，自己拆步驟、調工具、核結果，把一件多環節的任務從頭推到尾。OpenAI這次想賣的，不只是更聰明，而是真能干活。
能力上去了，價格也跟著上去了。官方API定價GPT-5.5輸入每百萬token 5美元、輸出30美元，對比GPT-5.4的2.5美元和15美元正好翻了一倍。不過OpenAI也說了，GPT-5.5在不少復雜任務里能用更少的token把事情辦完。
目前GPT-5.5已經開始向ChatGPT和Codex滾動上線。ChatGPT里GPT-5.5 Thinking面向Plus、Pro、Business和Enterprise用戶，GPT-5.5 Pro面向Pro、Business和Enterprise用戶。API版本官方說很快跟上。
01一份讓對手沉默的跑分單：終端操作和數學推理甩開身位
先看數據。GPT-5.5在一系列硬核基準測試中，把上一代GPT-5.4甩在了身后，也壓過了競爭對手一頭。
在最能體現智能體規劃和工具協調能力的Terminal-Bench 2.0測試中，GPT-5.5達到了82.7%的準確率，大幅領先Claude Opus 4.7的69.4%和Gemini 3.1 Pro的68.5%。
在評估跨44種職業知識工作能力的GDPval測試中，GPT-5.5取得了84.9%的勝率或平局率，Claude Opus 4.7為80.3%，Gemini 3.1 Pro只有67.3%。在衡量模型自主操作真實計算機環境的OSWorld-Verified上，GPT-5.5得分78.7%，與Claude Opus 4.7的78%旗鼓相當。
數學能力方面GPT-5.5在FrontierMath上的表現尤其突出。1至3級題目得分51.7%，Claude Opus 4.7為43.8%，Gemini 3.1 Pro為36.9%。到了最難的4級，GPT-5.5的35.4%遠遠超過Claude Opus 4.7的22.9%。
網絡安全方面，CyberGym測試中GPT-5.5得分81.8%，Claude Opus 4.7為73.1%。在客戶服務場景的Tau2-bench Telecom測試中，GPT-5.5無需任何提示調整就達到了98.0%的準確率。
OpenAI內部還有一個叫Expert-SWE的基準，用來評估長周期編碼任務并預估人類專家中位完成時間為20小時。GPT-5.5在這里達到了73.1%，上一代GPT-5.4是68.5%。在公開的SWE-bench Pro上，GPT-5.5的58.6%則與Claude Opus 4.7的64.3%互有勝負。
第三方評測機構Artificial Analysis做了全面測試。他們的結論是GPT-5.5讓OpenAI重新回到了AI領域的絕對第一，在他們設定的智能指數中領先3分，打破了此前與Anthropic和谷歌三方平局的格局。五大核心評估中，GPT-5.5在Terminal-Bench Hard、GDPval-AA和APEX-Agents-AA中均居榜首。
科學研究領域同樣沒落下。在專注于遺傳學和定量生物學的GeneBench上GPT-5.5得分約25%，GPT-5.4約為19%。在生物信息學基準BixBench上，GPT-5.5以80.5%領先于GPT-5.4的74.0%。
這些數字拼在一起，畫出了一個輪廓，即GPT-5.5在需要規劃和持續執行的智能體任務上優勢明顯，在數學和網絡安全等需要深度推理的領域也拉開了距離，但在一些無工具的純學術推理上仍有來有回。OpenAI研究副總裁阿米莉亞·格萊斯（Amelia Glaese）說，無論是在基準測試上，還是根據可信合作伙伴的反饋以及他們自己的經驗來看，這絕對是他們迄今為止最強的編碼模型。
但有一組數據不得不提前攤開。
在Artificial Analysis的私有基準測試AA-Omniscience中，GPT-5.5展現了一個矛盾到讓人不安的特征。
GPT-5.5的準確率是所有模型中最高的，達到57%，意味著它在回憶事實方面確實優于所有競品。然而它的幻覺率高達86%。作為對比，Claude Opus 4.7的幻覺率是36%，Gemini 3.1 Pro是50%。換句話說，GPT-5.5知道的東西確實更多，但當它不確定答案時，它選擇閉嘴的概率遠低于對手。它更傾向于給出一個回答，哪怕這個回答可能是錯的。
這組數據與它明白該做什么的核心敘事形成了直接的張力。一個幻覺率86%的模型，意味著它在十次不確定的情況下有將近九次會選擇硬答而不是承認自己不知道。這種自信地做錯事的傾向，恰恰是一個被寄望于自主規劃和執行任務的模型最需要警惕的特質。這意味著，GPT-5.5確實比前輩更會干活了，但它在干活過程中不知道自己不知道什么的概率，也比幾個主要競爭對手高出一大截。
這不是一個可以輕描淡寫帶過的小瑕疵。如果這個模型真的被委以獨立操作電腦、分析數據、生成報告的職責，那么用它的人最好時刻記住，它干活的主動性和它犯錯的主動性可能來自同一種底層機制。Artificial Analysis的測試表明，從GPT-5.4到GPT-5.5在這項基準上的14分漲幅主要由知識增長驅動，幻覺方面僅有適度改進。這意味著在目前的架構下，更強的能力和更高的幻覺率可能是同一枚硬幣的兩面。
02更聰明，也更省token，同樣的活兒少花四成詞元
比分數更值得注意的，是GPT-5.5達成這些分數的方式。它用的輸出token數量大幅減少。簡單說就是它找到答案的路徑更短了。
在Terminal-Bench 2.0測試中，GPT-5.5在約3000至4000輸出token時分數就達到了約82%，GPT-5.4在相近token數時只有約75%。
在Expert-SWE測試中差距更夸張，GPT-5.5用了約30000至35000輸出token就達到約73%的分數，GPT-5.4花了超過60000 token才達到68.5%。在Tau2-bench Telecom中，GPT-5.5用約2000至4000 token達到98%的準確率，GPT-5.4用了超過10000 token才達到約92%。
這種token效率直接影響了成本。Artificial Analysis的計算顯示，雖然GPT-5.5每個token的價格比GPT-5.4翻了一倍，漲到每100萬輸入5美元且輸出30美元，但token使用量減少約40%幾乎完全吸收了漲價的影響，運行其智能指數的凈成本僅增加了約20%。在他們的編碼智能指數圖里GPT-5.5位于右上方，以相對較少的輸出token實現了最高的智能分數，在成本和性能之間取得了當前的最佳平衡。
需要說明的是，這個40%的節省幅度是在編碼和推理類基準任務上測得的。如果使用場景不同，比如長篇寫作或開放式對話，token消耗的減少幅度未必相同，實際成本增幅也會隨之變化。不過在本文引用的幾項具體測試中，從Terminal-Bench到Expert-SWE再到Tau2-bench，token數量的下降是肉眼可見的。
他們還發現GPT-5.5的不同推理努力程度提供了靈活的選擇。中等努力程度的GPT-5.5在智能指數上得分與Claude Opus 4.7的最高檔位相當，但成本僅為其四分之一，約1200美元對4800美元。低努力程度則花費約500美元就能達到類似效果。這給了用戶一個根據任務需求調節智能與成本的階梯。
而這一切并沒有以犧牲速度為代價。按OpenAI的說法，GPT-5.5在實際服務中實現了與GPT-5.4相當的每token延遲。背后是軟硬件協同設計的成果。GPT-5.5與英偉達GB200和GB300 NVL72系統共同設計、訓練并部署。AI自己也幫了忙，Codex分析了數周的生產流量模式后，編寫了自定義的啟發式算法來優化GPU之間的負載均衡，最終將token生成速度提升了超過20%。
英偉達企業AI副總裁賈斯汀·博伊塔諾（Justin Boitano）評價說，GPT-5.5提供了執行繁重工作所需的持續性能。基于英偉達GB200 NVL72系統構建和服務的這個模型，讓團隊能夠從自然語言提示中交付端到端的功能，將調試時間從數天縮短到數小時，并將數周的實驗轉化為在復雜代碼庫中的一夜進展。他認為這不僅僅是更快的編碼，而是一種全新的工作方式。
03能讀懂整個代碼庫，不是只會補全下一行
數據和效率說完了，來看看實際體驗上到底有什么不同。
GPT-5.5與此前模型最核心的區別，在于它不再只是等著你一步步告訴它怎么做。用OpenAI總裁格雷格·布羅克曼（Greg Brockman）的話說，這個模型真正特別的地方，在于它能在更少的指導下做更多的事，可以審視一個不明確的問題，并自己弄清楚下一步該做什么。
這與早期測試者的感受高度一致。Every公司的創始人兼CEO丹·希珀（Dan Shipper）做了一個倒回時間的測試。
他花了幾天時間調試一個發布后的問題，然后讓他最好的工程師之一重寫了部分系統。為了測試GPT-5.5，他把已經損壞的系統狀態交給模型看它能不能產出工程師最終決定的那種重寫方案。結果GPT-5.4做不到，GPT-5.5做到了。他的評價是這是他遇到的第一個具有嚴肅概念清晰度的編碼模型。
MagicPath的CEO彼得羅·斯基拉諾（Pietro Schirano）遇到了更復雜的場景。他讓GPT-5.5把一個包含數百個前端和重構更改的分支合并到另一個也發生了巨大變化的主分支之中。模型在大約20分鐘內一次性解決了所有沖突，最終完成了一個包含12個差異的堆棧幾乎完整。他說自己的感覺是真的在與一個更高的智能一起工作，甚至有一種尊重感。
其他提前拿到測試權限的高級工程師也報告了類似體驗。他們說GPT-5.5在推理和自主性方面明顯強于GPT-5.4和Claude Opus 4.7，能提前發現問題，并在沒有明確提示的情況下預測測試和審查需求。有人讓模型重新架構一個協作式編輯器中的評論系統，離開一段時間后回來發現它已經搞定了一個接近完整的堆棧。還有人說幾乎不需要對實現進行修正，對GPT-5.5的計劃比GPT-5.4更有信心。
Cursor的聯合創始人兼CEO邁克爾·特魯爾（Michael Truell）從產品角度指出，GPT-5.5明顯比GPT-5.4更聰明且更持久，能持續工作更長時間而不會提前停止，這對于用戶委托給Cursor的復雜或長期運行的任務至關重要。而一位英偉達的工程師在提前失去訪問權限后說那感覺像被截肢了一樣。
這些反饋共同指向一個變化，即GPT-5.5不再是等待指令的被動工具，而是開始展現某種職業判斷力。它能理解系統的全貌并弄清楚某件事為什么失敗，修復該落在哪里以及代碼庫中還有哪些部分會受到影響。公司內部測試也印證了這一點，OpenAI超過85%的員工每周都在使用Codex。
不過并非所有測試者都給出了毫無保留的贊譽。一位測試者在社交平臺上表示，GPT-5.5在推理效率和知識方面確實有明顯提升，但對于他關心的東西他得等下一個版本。他直言不認為GPT-5.5比之前有太多進步而只是漸進式的改進。
另一位測試者則注意到了速度上的變化。GPT-5.5重度思考模式下2分鐘內給出的答案，比GPT-5.4在10分鐘內給出的更好，但他對智能水平的評價保持了克制。
04辦公室里的雜活兒，它也開始接得動了
讓GPT-5.5擅長編程的那些能力，放到日常知識工作中同樣管用。它能更自然地完成從查找信息、分析重點、操作軟件到生成文檔的整個閉環。
Box的聯合創始人兼CEO阿隆·列維（Aaron Levie）分享了他們的內部測試結果。在金融服務、醫療保健、公共部門和媒體娛樂等多個行業的真實任務上，GPT-5.5相比GPT-5.4有顯著提升。金融服務從64%提升至83%，醫療保健從61%提升至78%，公共部門從59%提升至72%，媒體與娛樂從57%提升至70%。他認為GPT-5.5將為企業知識工作智能體帶來巨大飛躍。
在ChatGPT中，GPT-5.5思考模式可以為更難的問題提供更快的幫助，擅長編碼、研究、信息綜合與分析以及文檔密集型任務。GPT-5.5 Pro版本則更進一步，早期測試者反映它的回答比GPT-5.4 Pro更全面且結構更清晰以及更準確和更有用，在商業、法律、教育和數據科學領域表現尤為突出。
OpenAI內部的日常使用案例更能說明問題。財務團隊用Codex審查了24771份K-1稅表，總計71637頁。工作流程排除了個人信息后，幫助團隊比前一年提前兩周完成任務。通信團隊用它分析了六個月的演講請求數據，構建了評分和風險框架并驗證了一個自動化Slack智能體來處理低風險請求。一名市場營銷員工自動化了每周業務報告的生成，每周省下5到10小時。
05科學家的新搭檔，從基因數據到數學證明都能搭把手
科學研究領域是GPT-5.5的另一個亮點。它的價值不在于給出一個一次性答案，而在于幫研究人員走完從問題到實驗再到產出的完整過程。
沃頓商學院教授伊森·莫利克（Ethan Mollick）提前拿到了模型，他用一個拖延了十年的真實研究項目來做終極測試。他把數百個塵封已久的關于眾籌的匿名化數據文件丟給Codex里的GPT-5.5，文件混合了STATA、CSV、XLS和Word格式，然后只給了四個提示要求它整理數據、提出新假設、用復雜方法檢驗并寫成學術論文。結果模型產出的論文包含真實的文獻綜述和復雜的統計分析。他的評價是如果這是二年級博士項目的成果他會非常滿意。
杰克遜基因組醫學實驗室的免疫學教授德里亞·烏魯特馬茲（Derya Unutmaz）使用GPT-5.5 Pro分析了一個包含62個樣本和近28000個基因的表達數據集。模型在幾分鐘內生成了詳細的研究報告，并提出了關鍵問題和見解。他說這項工作本來需要他的團隊花上數月。他還說，憑借GPT-5.5 Pro，他感覺AI到了另一個拐點，就像之前某些關鍵版本發布時讓他感受到的那種跨越門檻的感覺。
在數學領域，一個更硬的成果來自組合學。一個內部版本的GPT-5.5在配備定制工具后，幫助發現了關于拉姆齊數的新證明，拉姆齊數是組合學中的核心對象。這一領域的結果很少見且技術難度高。GPT-5.5找到了一個關于非對角拉姆齊數長期存在的漸近事實的論證，隨后在Lean中得到了驗證。這意味著它不僅在輔助研究，而是在核心研究問題上貢獻了令人驚訝且有用的數學論證。
波蘭亞當·密茨凱維奇大學的數學助理教授巴托斯·納斯克雷基（Bartosz Naskr?cki）在Codex中使用GPT-5.5，僅用一個提示在11分鐘內構建了一個代數幾何應用，完成了以前需要專用工具才能實現的定制數學可視化。
Axiom Bio的聯合創始人兼CEO布蘭登·懷特（Brandon White）則從藥物發現的角度給出了判斷。他讓GPT-5.5推理龐大的生物化學數據集以預測人類藥物結果，然后看到它在最難的評估中帶來了顯著的準確性提升。他的判斷是，如果OpenAI繼續保持這樣的勢頭，藥物發現的基礎將在年底前發生改變。
06攻防能力一起漲，這把利刃也有另一面
GPT-5.5的網絡安全能力比GPT-5.4又進了一步，OpenAI將其生物和網絡安全能力評估為高風險。在奪旗挑戰任務中，GPT-5.5用約20000至40000輸出token就達到了約88%的得分，GPT-5.4用了超過100000 token才拿到約84%。這種效率提升意味著它發現和利用漏洞的能力變得更強。
OpenAI采取了一種分層應對策略。一方面部署更嚴格的網絡風險分類器來攔截普通用戶的敏感請求，他們承認一些用戶初期可能會覺得這些限制煩人。另一方面推出網絡可信訪問計劃，讓經過驗證的安全防御者能夠申請使用不受限制的模型版本用于保護關鍵基礎設施。OpenAI表示他們正與政府合作伙伴一起探索高級AI如何幫助保衛納稅人數據、電網和供水系統。
GPT-5.5在發布前經歷了完整的安全和治理流程，包括準備評估、特定領域測試，以及與內部和外部紅隊、近200個可信早期合作伙伴的合作。奧特曼強調他們相信迭代部署是安全策略的重要組成部分，通過逐步向世界發布模型大家最有能力在AI韌性的團隊運動中共同應對挑戰。
VentureBeat的報道指出，在人類最后的考試這類無工具純推理基準上，GPT-5.5 Pro的43.1%仍落后于Anthropic未公開的Claude Mythos Preview的56.8%。這說明在不同的能力維度上，各家模型的優勢仍在分化。
07八個月漲價八倍，但總賬單幾乎沒變
安全能力的提升也意味著更高的訓練和部署成本，這直接反映在了GPT-5.5的定價上。
GPT-5.5的API輸入價格為每100萬token 5美元且輸出為30美元，GPT-5.5 Pro則是輸入30美元且輸出180美元。目前GPT-5.5已向ChatGPT的Plus、Pro、Business和Enterprise用戶開放，GPT-5.5 Pro從Pro層級起步。在Codex中GPT-5.5對從Plus到Go計劃的用戶均可使用，上下文窗口40萬token并提供速度快1.5倍但成本高2.5倍的快速模式。
AI產品專家阿卡什·古普塔（Aakash Gupta）分析了這個定價軌跡。從去年8月GPT-5的0.63美元到今年3月GPT-5.4的2.50美元，再到七周后GPT-5.5的5美元，八個月內輸入定價漲了八倍。而英偉達表示其最新芯片將推理成本降低了高達每token 35倍。
古普塔認為，OpenAI的成本基礎在急劇下降，但價格卻在攀升，這里發生的利潤率擴張在企業軟件史上前所未有。
布羅克曼此前曾說正在構建一個整合ChatGPT、Codex和瀏覽器的超級應用。古普塔的判斷是，每個在GPT-5.5上構建智能體的開發者，都在為OpenAI自己的競爭產品提供資金。他認為OpenAI找到的商業模式，很像那個讓微軟市值達到3萬億美元的模式。
結語：能力參差不齊，但前沿還在快速推進
莫利克教授還設計了一個橫向對比測試。他讓從一年前發布的o3到最新的GPT-5.5 Pro等多個模型去構建同一個程序化生成的3D模擬，展示一個港口城鎮從公元前3000年到公元3000年的演變。只有GPT-5.5 Pro真正模擬了一個不斷演變的小鎮，而不僅僅是生成新建筑替換舊的。而且它只用了20分鐘，GPT-5.4 Pro花了33分鐘。
但他也發現了問題。當要求模型創建一個全新的角色扮演游戲規則并配圖排版時，產出在技術上很精巧且101頁的PDF排版專業，規則也似乎合理。然而仔細讀內容，AI在長篇虛構創作上的老毛病還在。它喜歡用神秘元素、過于復雜但未能完全兌現的想法、奇怪的隱喻、過多的華麗句子，以及所有角色相似的語氣。他的結論是，即便在所有驚人的技術進步之中，那個參差不齊的前沿仍然存在，只是它比以前遠得多了。
OpenAI首席科學家雅庫布·帕喬基（Jakub Pachocki）在發布之際透露，他們實際上還有空間來訓練比這聰明得多的模型。換句話說，GPT-5.5不是終點。
就在今天，這個模型已經上線。對于那些需要處理復雜編碼任務、繁瑣知識工作或推進科學研究的用戶來說，GPT-5.5提供的不只是一個更快的回答工具，而是一個能理解意圖、接管流程、持續推動任務往前走的系統。而對于開發者來說，還得再等一等API的正式開放。在人類將越來越復雜的工作交給AI的這條路上，GPT-5.5是一個值得關注的路標。
本文來源：網易智能
責任編輯：
王鳳枝_NT2541
