距离上一代GPT-5.4发布仅过去七周，OpenAI便祭出了GPT-5.5，主打"用更少的指导完成更多工作"——重点强化了agentic coding（智能体编程）、computer use（计算机操作）、knowledge work（知识工作）以及科研任务能力。我们对其API版本gpt-5.5进行了全面评测，测试其在准确率、响应时间、token消耗和调用花费等关键指标上的表现。
gpt-5.5版本表现：
- 测试题数：约1.5万
- 总分（准确率）：75.3%
- 平均耗时（每次调用）：15s
- 平均token（每次调用消耗的token）：955
- 平均花费（每千次调用的人民币花费）：158.5
1、新旧对决
对比上一代版本gpt-5.4-high，GPT-5.5的变化呈现出一个鲜明的特征：输出更短、速度更快、单价更贵，但综合花费小幅上涨却换来了准确率的明显提升。数据如下：
*数据来源：非线智能ReLE评测github.com/jeinlee1991…
*输出价格单位： 元/百万token
- 整体性能稳步提升：新版本准确率从72.6%提升至75.3%，提升了2.7个百分点，排名从第7位升至第2位。
- 推理能力提升最为突出：从细分领域来看，"推理与数学计算"从78.2%提升至83.7%，提升了5.5个百分点。"agent与工具调用"从60.3%提升至65.0%，提升了4.7个百分点，与官方主打的智能体能力升级方向相吻合。
- 多个垂直领域均有改善：法律与行政公务从81.5%提升至89.0%（+7.5%），医疗与心理健康从85.3%提升至88.0%（+2.7%），coding从70.5%提升至71.5%（+1.0%），教育从59.9%提升至61.4%（+1.5%）。
- 部分领域出现小幅回调：金融从85.1%降至83.7%（-1.4%），语言与指令遵从从72.3%基本持平至72.2%（-0.1%）。这反映模型在能力调整过程中存在一定的取舍。
- 响应速度显著提升：平均耗时从24s缩短至15s，缩短约38%，与官方"在保持GPT-5.4同等延迟的前提下提供更高智能"的说法一致。
- Token消耗明显下降：平均token从1364降至955，降幅约30%。这印证了官方所称"用更少的token完成相同任务"的token效率优化。
2、横向对比
在当前主流大模型竞争格局中，gpt-5.5作为新晋榜眼表现如何？我们从三个维度进行横向对比分析。需要说明的是，本次评测侧重中文文本场景下的综合能力考察：
*数据来源：非线智能ReLE评测github.com/jeinlee1991…
同成本档位对比
- 高端商用区间内的速度优势突出：在该100-200元档位中，gpt-5.5（75.3%，15s）与qwen3.6-max-preview（75.4%，80s）准确率几乎持平，但耗时差不多是后者的五分之一；与gpt-5.4-high（72.6%，24s，122.3元）相比，gpt-5.5在花费略有上涨的情况下提供了2.7个百分点的准确率提升和近10秒的速度优势。
- 与更高成本档位的对比：相较于成本更高的gemini-3.1-pro-preview（75.2%，53s，250.5元），gpt-5.5在准确率上略胜0.1个百分点，耗时仅为其约三分之一，且花费低约37%。与claude-sonnet-4.5-thinking（66.2%，39s，305.1元）相比，gpt-5.5在准确率领先9.1个百分点的同时，调用成本仅为其约一半。
- 与低成本档位的差距：在20-25元/千次的低成本区间，Doubao-Seed-2.0-pro（72.8%，22.5元）和qwen3.5-plus（73.3%，22.9元）以约gpt-5.5七分之一的成本，提供了与gpt-5.5相差约2-3个百分点的准确率。对于预算敏感型场景，国内开源/商用模型仍是更经济的选择。
新旧模型对比
- 自身代际进步明确：gpt-5.5（75.3%）相较gpt-5.4-high（72.6%）提升了2.7个百分点，相较gpt-5.2-high（67.3%）提升了8.0个百分点，相较更早的gpt-5.1-high（67.1%）和gpt-5-2025-08-07（66.8%）提升幅度更大。OpenAI的代际迭代路径清晰可见。
- OpenAI产品线矩阵梳理：从榜单来看，OpenAI形成了较为完整的产品矩阵——旗舰级的gpt-5.5（75.3%，第2位）领跑，次级的gpt-5.4-high（72.6%，第7位）紧随其后，往下依次是gpt-5.2-high（67.3%，第27位）、gpt-5.1-high（67.1%，第29位）、gpt-5.1-medium（67.0%，第30位）、gpt-5.4-mini-high（65.7%，第39位）、gpt-5.3-chat（64.9%，第42位）、gpt-5.2-medium（63.4%，第52位）。覆盖了从顶级推理到日常对话的不同需求。
- 对比其他厂商的新模型：gpt-5.5（75.3%）超过了多个近期发布的新版本，包括gemini-3.1-pro-preview（75.2%）、qwen3.5-plus（73.3%）、kimi-k2.6（72.9%）、Doubao-Seed-2.0-pro（72.8%）、deepseek-v4-pro（71.7%）等。
开源VS闭源对比
- 闭源阵营的速度标杆：gpt-5.5在闭源阵营中以15s的平均耗时和75.3%的准确率，提供了一个特殊的产品定位——"高准确率+低延迟"。在闭源Top模型中，与gemini-3.1-pro-preview（75.2%，53s）、qwen3.6-max-preview（75.4%，80s）、Doubao-Seed-2.0-pro（72.8%，309s）相比，gpt-5.5在保持顶级准确率的同时，响应速度具备明显优势。
- 开源阵营的强力追赶：开源模型在榜单上展现出极强的存在感。qwen3.5-plus（73.3%，第4位）以仅22.9元/千次的成本紧追gpt-5.5，差距仅2个百分点；kimi-k2.6（72.9%，100.4元）、deepseek-v4-pro（71.7%，54.3元）、Qwen3.5-122B-A10B（70.9%，32.3元）等开源模型也都跻身榜单前列。开源阵营对闭源顶级模型的追赶趋势已经相当明显。
3、官方评测
根据OpenAI官方博客发布的信息（openai.com/index/intro… ），GPT-5.5是自GPT-4.5以来首次完全重新训练的基础模型，重点提升了智能体能力、编程能力、计算机操作能力以及科研工作能力。
智能体编程能力
- Terminal-Bench 2.0：在测试复杂命令行工作流（涉及规划、迭代和工具协调）的基准上，GPT-5.5达到了82.7%的业界领先准确率。
- SWE-Bench Pro：在评测真实GitHub问题解决能力的基准上，GPT-5.5达到58.6%，单次通过率超越前代模型（注：Claude Opus 4.7在该基准上以64.3%领先）。
- Expert-SWE：在OpenAI内部针对长程编程任务（中位数估计需要人类20小时完成）的前沿评测中，GPT-5.5达到73.1%，相比GPT-5.4的68.5%有明显提升。
- 三项编程评测中，GPT-5.5在提升准确率的同时使用了更少的token。
知识工作与企业应用
- GDPval：在覆盖44种职业的知识工作基准上，GPT-5.5得分84.9%，输出质量在85%的任务上达到或超过人类专业人员水平（GPT-5.4为83%，Anthropic Opus 4.7为80.3%）。
- OSWorld-Verified：在测试模型自主操作真实计算机环境的基准上，GPT-5.5达到78.7%（GPT-5.4为75.0%）。
- Tau2-bench Telecom：在测试复杂客户服务工作流的基准上，未经prompt调优的情况下达到98.0%（GPT-5.4为92.8%）。
- FinanceAgent：60.0%；内部投资银行建模任务：88.5%；OfficeQA Pro：54.1%。
科研能力
- GeneBench：基因学和定量生物学多阶段数据分析基准，GPT-5.5得分25.0%，GPT-5.5 Pro得分33.2%（GPT-5.4为19.0%）。
- BixBench：生物信息学基准，GPT-5.5得分80.5%（GPT-5.4为74.0%）。
- 官方提及，配备自定义harness的GPT-5.5内部版本协助发现了关于Ramsey数（组合数学领域）的新证明，并通过Lean完成了形式化验证。
目前所有大模型评测文章在公众号：大模型评测及优化NoneLinear
