实测GPT5.5：最强模型不是嘴炮，它真能干活儿

GPT-5.5，终于发布。

作为OpenAI当下最强的模型，这次更新的亮点是“为真实工作而设计”。

和过去的模型相比，GPT-5.5能更快理解使用者真正想做的事情，也能自己承担更多执行过程，可以在线检索信息、分析数据、生成文档和表格、操作软件，并在不同工具之间来回切换，直到把任务完成。

用户不再需要精细地拆解每一步，可以直接给它一个混乱、多步骤的问题，让它自己规划路径、调用工具、检查结果，在不确定中继续推进。

有网友直接评价，这是目前为止最接近AGI的模型。

目前，GPT-5.5已经在ChatGPT和Codex中向Plus、Pro、团队版和企业版用户逐步开放，GPT-5.5 Pro则面向Pro及以上用户。API版本尚未上线。

模型性能

先来看看模型在基准测试中的得分情况。

其中最值得关注的指标是GDPval，这个测试不是传统选择题，而是用44种真实职业任务来评估模型，比如分析数据、写报告、做判断。

GPT-5.5的成绩是84.9%，相比GPT-5.4的83.0%，有一定的提升，也高于Claude Opus 4.7 的80.3%和Gemini 3.1 Pro的67.3%。

第二个关键测试是OSWorld，用来衡量模型在真实电脑环境中的操作能力。GPT-5.5 达到78.7%，高于GPT-5.4的75.0%，提升幅度不算夸张，但意义很大。

这项能力考验了一个更现实的问题：模型不仅能告诉你怎么做，还能不能直接替你去做，包括点击界面、切换工具、执行多步骤操作。

还有Tau2 Telecom，这是一个电信客服流程测试，GPT-5.5 在无需额外调优的情况下达到98.0%。这类任务更接近企业里的真实工作，需要在复杂、多步骤、有上下文依赖的流程中完成。

在更细分的能力上，GPT-5.5的编程能力继续提升，在Terminal-Bench 2.0上达到了82.7%，在SWE-Bench Pro上达到了58.6%。

在其他知识工作基准测试中，GPT-5.5的表现也很出色：FinanceAgent得分60.0%，内部投资银行建模任务得分88.5%，OfficeQA Pro得分54.1%。说明它在结构化分析和数据处理上已经相当成熟。

科研方面虽然分数提升相对温和，但已经出现能够参与推理、验证甚至辅助发现新结果的案例，这一点更像能力边界的变化，而不是简单的性能增长。

把这些跑分放在一起看，会发现这次模型的评价标准正在发生变化：过去我们常用MMLU、GPQA这样的指标看模型的知识和推理能力，但现在更侧重于GDPval、OSWorld这类“任务级评估”。

相比起问模型知不知道某项知识，现在更看重它能不能完成一项完整工作。

这也对应了GPT-5.5本次的更新重点。模型开始能够自主地组织步骤：先获取信息，再做判断，必要时调用工具，最后把结果整理成可以直接使用的输出。

在编程上，它参与整个开发流程，而不只是生成代码；在知识工作中，它产出报告、模型和决策建议，而不只是提供答案；在操作层面，它甚至可以直接进入电脑环境，把这些步骤执行出来。

这一代模型更像一个可以协作的执行者，得分只是表面，更重要的是这些分数背后指向的一件事：GPT-5.5的定位，从“回答”转向了“执行”。

顺便一提，根据ARC Prize官方验证，GPT-5.5在ARC-AGI-2基准测试中取得最高85.0%的准确率，成为了新的SOTA模型。

除了能力本身，这一代模型还有一个被反复强调的点：效率。

OpenAI给出的数据是，在实际服务中，GPT-5.5的速度与GPT-5.4基本持平，但在完成同样Codex任务时使用的token明显更少。这一点对API用户尤其重要，因为它直接决定了真实使用成本。

在定价上，GPT-5.5 API为每百万输入token 5美元、输出30美元，Pro版本更高。这个价格是GPT-5.4的两倍。

不过OpenAI的逻辑是：单价虽然提升，但由于任务完成效率更高，总成本未必上升。

另外，安全体系也在同步升级：GPT-5.5是目前防护最严格的一代模型，在发布前经历了完整的安全评估流程，包括内部与外部红队测试，以及针对网络安全、生物等高风险能力的专项验证，并结合了近200个真实使用场景进行调整。

模型表现

作为一个擅长复杂任务的模型，GPT-5.5的编码优势在Codex中表现尤为突出，可以完成从实现和重构到调试、测试和验证等工程工作。

根据官方文档，它在真实工程上表现很好：在大型任务中能够持续保持上下文（不会只盯着一小段代码）；在问题不明确时，能够推理出故障原因；会用工具去验证自己的假设；能把修改真正“贯穿”到整个代码库，而不是只改一处。

官方给出了一些比较复杂的示例，例如把一张天体图片重新做成一个新的Web应用。

技术上要求用WebGL做3D渲染、用Vite搭项目，内容上要尽量接入ArtemisII任务的真实数据，把轨道、飞行路径、天体位置这些信息真实地表现出来。

还有让GPT-5.5结合Codex生成的3D地牢竞技场原型。

模型不仅搭建了游戏架构，还写出了基于Three.js的前端实现，并覆盖了战斗系统、敌人机制和界面反馈等关键模块；环境贴图和角色对话也由GPT生成。只有角色模型和动画交给了第三方工具处理。

在编程能力之外，GPT-5.5的能力已经延伸到更广泛的知识工作，由于它更擅长理解真实意图，所以可以更自然地跑完整个知识工作的流程：从获取信息、抓住重点、调用工具、检查结果，到把原始材料整理成真正有用的输出。

在Codex里，GPT-5.5在生成文档、表格和演示文稿方面，比GPT-5.4更强。OpenAI 内部已经在真实工作中使用这些能力：目前，公司内部超过85%的员工每周都会使用 Codex，覆盖软件工程、财务、传播、市场、数据科学和产品等多个团队。

例如下列演示，就是使用GPT-5.5生成财务建模。

除了官方的复杂demo，为了看清模型在“单次生成”层面的表现，我们也做了一些更偏基础能力的测试。

首先是每次都被拉出来的鹈鹕骑自行车，左边是GPT-5.4的表现，右边是GPT-5.5。

还有六边形小球滚动，可以看模型的物理理解。

在审美上，我们用一句话让GPT-5.5设计了一个高端品牌网站，效果如下。

prompt：Design a premium brand website with a strong identity, focusing on typography, spacing, and a cohesive visual style. Avoid generic layouts.Use Chinese.Can run entirely in a single HTML file.

接下来让它自由发挥，创造一个Unity风格的复杂SVG动画。

prompt：Create a complex svg animation that an engineer with a background in unity would appreciate.Can run entirely in a single HTML file.

编程能力之外，像在社媒上很火的洗车问题，我知道肯定也会有人想问。

这类问题一般难以回答的原因是，模型并不会默认车一定要开过去才能洗（可能有上门洗车的服务）。不过既然需要“理解用户真实意图”，我想这并不是什么答错的理由。

模型定位

如果把GPT-5.5放在过去这一年的演进脉络里看，它并非单纯地围绕模型能力做提升，而是在逐渐改变模型的使用方式。

这条线其实可以从GPT-4o开始算起。当时最大的变化是把文本、图像和语音放进同一个模型里处理，多个能力被放在同一个系统中完成，模型的内部开始变得统一。

GPT-5把这种“统一”延伸到了使用层。模型不再只是等待用户提问，然后给出一次性尽可能完整的回答，它多了一层判断：这个问题需要多快的响应、多深的推理，要不要调用工具。

后面的几个5系版本，基本都在把这件事做细。

在GPT-5.3这一阶段，编码能力和工具调用被明显强化，模型开始更稳定地完成多步骤代码生成、调试和执行流程。它不只是写代码，还会自己一步步改、修错误，最后给出一个能用的结果。与此同时，它用工具的方式也变得更自然，不再是生成一堆看不懂的调用代码，而是直接把该调用的工具给用上。

到了GPT-5.4，重点已经转向computer use和工作流能力，模型可以在不同应用之间来回切换，比如查资料、整理信息、再生成结果，一步步把事情做完。同时，响应速度、token利用率和长任务中的稳定性也在持续优化：它的反应更快了，回答更干脆，不再动不动就写一大段推理过程，在连续做一件事的时候，也更少出现前后说不一致的情况。

这些调整放在一起，能看出一种变化：模型开始更像一个在后台持续运转的系统，而不是一次性的问答工具。

用户与模型之间的关系也在发生变化，从一问一答，变成把一件事情交给它，然后看它一步步往下做。

顺着这条路径看，GPT-5.5的位置就比较清楚了。它不只有性能上的提升，还在继续把模型往任务执行的方向推进。

OpenAI将这一次的升级称为“very strong model”、“为真实工作而设计的一类新智能”，强调模型在持续运行时的效率和稳定性，比如在更长时间内完成一整套流程，用更少的计算支撑更多步骤。

很多人会同时感觉它更快了，也更“短”了，本质上是模型开始主动控制自己的计算方式，把更多资源留给真正需要展开的部分：单次回答不再一味追求展开，而是更贴近任务本身的需求。

对于需要连续操作的场景来说，这种变化非常有价值。同样一件事可以用更少的token完成，不仅是体验上的提升，也直接影响到最终的成本。

当模型开始承接完整流程，评价标准也会随之改变。比起单次回答的好坏，更重要的是它能否稳定高效地把一件事做完。

毕竟，更适合真实工作场景的模型，才是好用的模型。