从问答到闭环实操，GPT-5.5 核心升级亮点盘点

实测 GPT-5.5：最强模型不是嘴炮，它真能干活儿

今天凌晨GPT-5.5 深夜正式发布。

OpenAI称GPT-5.5是目前顶尖的前沿智能模型，它带来全新一代智能能力，全面赋能智能自主编程、电脑自动化操作、知识处理与科研探索。

今日于 ChatGPT、Codex 同步上线，API 即将开放。

基准测试
先来看看官方给的模型测试，GPT-5.5 在智能自主编程、电脑操控、工具调用、高阶数学、网络安全五大核心测评任务中，取得业界顶尖水准的标杆成绩。

• 终端实操基准测试 2.0：82.7%
• 操作系统全域实测：78.7%
• 综合工具能力测评：55.6%
• 前沿高阶数学四级难度：35.4%
• 网络安全攻防测评：81.8%

这次评测维度明显更贴近真实工作场景：

• GDPval（真实职业任务评估）：GPT-5.5 拿到 84.9%，高于 GPT-5.4 的 83.0%，也领先 Claude Opus 4.7（80.3%）和 Gemini 3.1 Pro（67.3%）。

  

• OSWorld（真实电脑操作能力）：达到 78.7%，比 GPT-5.4 的 75.0% 有明显提升。这项测试真正考察模型能不能“替你动手”——点击界面、切换应用、执行完整流程。
  

• Tau2 Telecom（复杂客服流程）：无需额外调优就达到 98.0%，展现出极强的长流程执行稳定性。

  

• 编程方面，Terminal-Bench 2.0 82.7%，SWE-Bench Pro 58.6%，继续保持领先。

• 科学研究方面，GPT-5.5 在科研与技术研发全流程中同样优势显著。科研工作不止是解答单一难题，更需要持续探索思路、搜集实证、验证假设、拆解分析结果，并迭代制定后续研究方向。
  相较同类模型，GPT-5.5 能够更高效完整地完成整套科研闭环。此外，在 GeneBench 专业测评中，GPT-5.5 相对 GPT-5.4 实现了大幅性能升级。
  

同样，在BixBench上GPT-5.5 是一款基于真实世界生物信息学和数据分析设计的基准测试模型，在已发表评分的模型中表现领先。

更值得注意的是，ARC-AGI-2 基准测试中，GPT-5.5 以 85.0% 的准确率成为新的 SOTA。

这些成绩共同指向一个趋势：评价模型的标准正在从“它知道多少”转向“它能把一件事做完”。

实测表现：从“会说”到“真能干”

在 Codex 中，GPT-5.5 的工程能力尤为突出。它不再只是生成代码片段，而是能参与整个开发流程：理解需求、重构架构、调试问题、验证结果，甚至把修改真正贯穿到整个代码库。

官方展示的复杂案例包括：

• 用 WebGL + Vite 基于 Artemis II 真实数据做一个天体轨道可视化 Web 应用
  

• 完整搭建一个 Unity 风格的 3D 地牢竞技场原型（包含战斗系统、敌人机制、界面反馈等）

  

在GPT‑5.5 Thinking工作场景下，GPT-5.5 也能更自然地跑完“获取信息 → 分析整理 → 输出可用结果”的全流程。目前 OpenAI 内部已有超过 85% 的员工每周都在使用 Codex，覆盖软件工程、财务、营销、数据科学等多个团队。

定位转变：从“回答机器”到“执行伙伴”

如果把 GPT-5.5 放在过去一年的演进路径上看，它不是单纯的参数堆叠，而是在真正改变模型的使用方式。

从 GPT-4o 开始的多模态统一，到 GPT-5 系列逐步强化的工具调用和计算机使用能力，再到 GPT-5.5 把“完整任务执行”推向新高度，OpenAI 正在把模型从“一次性问答工具”变成“可以持续协作的执行者”。

速度上，GPT-5.5 在实际任务中与 GPT-5.4 基本持平，但完成同样 Codex 任务时消耗的 token 明显更少，这对重度用户来说是实打实的成本优化。

定价方面，GPT-5.5 API 输入 5 美元 / 输出 30 美元（Pro 版本更高），虽然单价提升，但由于任务完成效率更高，总成本未必上升。

安全层面也同步升级，经过完整红队测试和近 200 个真实场景验证，是目前防护最严格的一代模型。

总结

GPT-5.5 没有带来夸张的参数爆炸，也没有堆出离谱的单一 benchmark 分数，但它在“真实工作”这个维度上，迈出了非常扎实的一步。

它更懂用户意图、更会规划路径、更能把事情做完。

当模型开始真正承担执行工作，而不是只负责回答问题时，我们离“AI 成为生产力伙伴”的那一天，又近了一大步。

你已经用上 GPT-5.5 了吗？
它在哪个场景最让你惊艳？欢迎在评论区分享你的实测体验～

（本文基于公开信息及实测整理，具体表现以实际使用为准）