它在不牺牲速度的前提下,实现了智能水平的提升。能够理解复杂的目标,会使用工具,会检查自己的工作,无需监督即可完成任务。
GPT-5 → 5.2 → 5.5,每次发布都在标准基准测试中提升 5–8 分。
用更少的步骤到达正确答案,而不是用更多的计算覆盖更大的搜索空间。
GPT-5.5 在实际服务中与 GPT-5.4 的单 token 延迟相当,同时在几乎所有评估中都表现更好。
它还使用更少的 token 完成相同的 Codex 任务,效率更高、功能更强大。
这对企业侧的意义远大于个人用户。当一个智能体工作流每天要跑几千次任务,token 成本的压缩直接影响产品的商业可行性。
在 ChatGPT 中,全栈推理的改进使模型功能更强、运行更快。
这种效率提升对 GPT-5.5 Pro 来说尤为重要
它现在成为处理高难度任务的更实用选择,也显著提升了 ChatGPT 能为用户完成的工作质量和复杂度。
此外早期测试者将其描述为一个迭代式的”研究伙伴",当与来自文档和插件的上下文输入结合使用时,表现尤其出色。
浏览任务完成度达到 90%,意味着不再需要手把手指导智能体完成每一次点击。
"研究伙伴"这个说法听起来有点软,但如果终端基准测试结果不是胡扯,那么每个任务的计算量确实会减少,这才是实质。
GPT-5.5 在 AI 分析指数中排名第一,高于 Opus 4.7、Gemini 3.1 和 GPT-5.4,在几乎所有基准测试中都胜过 Opus 4.7。
唯一的例外是 SWE-Bench Pro:GPT-5.5 得分 57.7%,对比 Opus 4.7 的 64.3%。
SWE-Bench Pro 的落差值得单独说一句。
这个榜单测的是真实代码仓库中的 bug 修复能力,高度依赖对大型上下文的长程理解和多文件协调。
Anthropic 在这个方向上一直投入较重,这个分差不是偶然的。
GPT-5.5 在综合智能上领先,但在深度工程任务上还有差距。
GPT-5.5:$5 / $30(输入 / 输出,每百万 token) GPT-5.5 Pro:$30 / $180(输入 / 输出,每百万 token)
对比上一代,Pro 版的定价维持在同一量级,但能力密度提升了。
对于重度使用者来说,用同样的预算能完成更多、更复杂的工作。
这才是定价是否合理的真正衡量标准,不是绝对数字,而是单位产出的成本。
从 5 到 5.5 的升级,没人明确要求过,但如果工具使用 + 自我纠错确实更好,那么对于生产环境中的智能体来说,这才是最重要的。
基准测试固然有趣,真正的问题是:它能否在 40 步工作流中不发生偏差?
模型交付速度确实在加快,但瓶颈从来都不是模型本身,而是围绕它构建的底层架构。工具协调、内存管理、何时停止
一个能力更强的智能体,一旦走偏,偏得更远、更难纠正。
"何时停止"这个问题,在 GPT-5.5 这个能力级别上,比以前任何时候都更关键。
从”聊天助手"到"能够使用工具、检查自身工作并完成任务的智能体",这一跳跃标志着产品类别的彻底转变。
GPT-5.5 是 OpenAI 迄今最明确的表态:一次性提示的时代已经过去。
我们正在见证 LLM 从创意助手向可靠工作操作系统的转变。
可靠性,是区分”炫酷演示"与"可直接投入生产"的唯一标准。
两年前,大家还在讨论 AI 能不能写出像样的代码;今天讨论的已经是它能不能独立管理一个 40 步的工作流。
从初代 GPT 到 GPT-3 的进步速度令人印象深刻。
如果这种节奏持续下去,GPT-5 或 GPT-6 或许就能与最聪明的人类相媲美。