4月24日消息，OpenAI 今日向 ChatGPT 和 Codex 付费用户推送新一代旗舰模型 GPT-5.5 及更高阶的 GPT-5.5 Pro，距上代 GPT-5.4 仅隔 6 周，主打 Agent 编码、计算机操作与长程知识工作,内部代号"Spud"（土豆）。
从"聊天模型"转向"Agent 运行时"
OpenAI 将 GPT-5.5 定位为"迄今最智能、最直观易用的模型"，用户可以直接抛给它一个零散、多步骤的任务，由模型自行规划、调用工具、检查结果并在歧义中推进，而不必逐步拆解指令。总裁 Greg Brockman 在发布会上称其为"新一类智能"和"迈向更具代理性、更直观的计算方式的重大一步"。
产品叙事上的位移比参数表更值得注意：OpenAI 此次把"完成任务"而非"回答好不好"放在首位，营销口径明显从 Chat Completion 转向 Agent Runtime。发布会期间 Bank of New York CIO Leigh-Ann Russell 给出的背书也呼应了这个方向——她强调对高监管行业而言，GPT-5.5 最关键的是响应质量与"令人印象深刻的幻觉抵抗力"，"银行需要极高的准确度，这个模型带来了阶跃式变化"。
14 项基准 SOTA，Agent 编码优势最明显
OpenAI 自报 GPT-5.5 在 14 项评测拿下 SOTA，优势最集中的是长程工具使用类任务：
- Terminal-Bench 2.0：82.7%，大幅领先 GPT-5.4 的 75.1%、Claude Opus 4.7 的 69.4%、Gemini 3.1 Pro 的 68.5%
- GDPval：84.9%（44 个职业的知识工作评测）
- OSWorld-Verified：78.7%（真实计算机环境操作）
- Tau2-bench Telecom：98.0%（未做 prompt 调优）
- Expert-SWE：73.1%（中位数人类完成时长 20 小时的长程编码任务）
- MRCR v2 8-needle 512K-1M：74.0%，相比 GPT-5.4 的 36.6% 和 Opus 4.7 的 32.2% 是阶跃式跃升
Pro 版本则把 BrowseComp 推到 90.1%，FrontierMath Tier 4 达到 39.6%，GeneBench 33.2%，专门服务法律、金融、科研等"错一次成本远大于调用成本"的高赌注场景。
效率侧，OpenAI 称 GPT-5.5 在实际部署中与 GPT-5.4 保持相同的 per-token 延迟，但在 Codex 上用更少 token 就能拿到更好结果。
定价、上下文与可用性
API 即将上线：GPT-5.5 定价为输入 5 美元/百万 token、输出 30 美元/百万 token，1M 上下文窗口；GPT-5.5 Pro 为输入 30 美元/百万、输出 180 美元/百万。Batch 与 Flex 按标准费率的一半计费，Priority 档则是 2.5 倍。Codex 环境的上下文窗口为 400K，并新增 Fast 模式（速度 1.5 倍，成本 2.5 倍）。
ChatGPT 中，GPT-5.5 面向 Plus、Pro、Business、Enterprise 用户开放，GPT-5.5 Pro 仅限 Pro、Business、Enterprise 三档；免费用户暂无法访问，Enterprise/Edu 需管理员开启。API 部署"很快"上线，因为"需要不同的安全保障"。
局限与竞品对比：SWE-Bench Pro 仍落后 Opus 4.7，Mythos 压制未解
并非全线领先。Anthropic Claude Opus 4.7（4 月 16 日发布）在多项软件工程与纯推理评测上仍占优：SWE-bench Pro 64.3 vs 58.6、HLE 无工具 46.9 vs 41.4、HLE 带工具 54.7 vs 52.2。OSWorld-Verified 上 78.7 vs 78.0 基本平手。LLM-Stats 的分析指出两家共享的 10 项基准里 Opus 4.7 领先 6 项、GPT-5.5 领先 4 项，差距多在 2-13 分之间，"看任务选模型"比"看排行榜"更实际。
真正的天花板在 Anthropic 另一条产品线：受限发布的 Claude Mythos Preview 在 SWE-bench Pro（77.8）、HLE 无工具（56.8）、HLE 带工具（64.7）、CyberGym（83）、OSWorld-Verified（79.6）等多项基准上仍压制 GPT-5.5，唯一被 GPT-5.5 Pro 明确拉开的是 BrowseComp 90.1 vs 86.9。但由于 Mythos 被 Anthropic 以安全为由封闭在受控访问内，商用市场的对手仍是 Opus 4.7 和 Gemini 3.1 Pro。
评测口径上也有需要打折的地方：OpenAI 用自家定制的 Codex CLI harness 跑 Terminal-Bench 2.0，Anthropic 用 Terminus-2 框架——在 Anthropic 的 Terminal-Bench 2.1 修正版、4 小时超时条件下，Mythos 实测 92.1%，OpenAI 未公开匹配的重跑结果。SWE-Bench 则存在已知的记忆化争议，Anthropic 给出了去污染子集的复测，OpenAI 仅标注"存在记忆化证据"而未给出过滤后的结果。
安全侧，GPT-5.5 在 OpenAI 的 Preparedness Framework 下被评为 High（非 Critical），配套 Trusted Access for Cyber 等受控访问通道，并参考了近 200 家早期合作伙伴的反馈。
6 周节奏背后：Agent 叙事锁定期
GPT-5.4 到 GPT-5.5 只隔 6 周，加上 Opus 4.7 比 GPT-5.5 早一周发布的时间点，这套节奏说明前沿实验室不再以"论文级更新"作为发布单元，而是按产品发布周期持续迭代。Axios 的消息源透露，NVIDIA 工程师对模型评价极高，一位有早期访问权限的工程师称"失去 GPT-5.5 的访问权限感觉像被截肢了"。
但实际体验的分化仍然存在。在纯代码质量的硬问题上，Opus 4.7 仍是赢家；在带工具协同的 Agent 编码流程里，GPT-5.5 更稳。对中文开发者和内容团队而言，更直接的信号是两家公司在定价、上下文和 MCP 集成能力上的接近——GPT-5.5 输出 30 美元/百万 token，Opus 4.7 输出 25 美元/百万，便宜 17%；但 GPT-5.5 单任务 token 消耗更少，实际账单可能被拉平，选型逻辑进一步从"哪家模型更强"回到"我的工作流到底靠什么"。
下一步的节点在 API 上线与 Managed Agents 的推广节奏，以及 Google 何时把 Gemini 3.2 或 3.5 推出来接招。OpenAI 用 6 周封死 Agent 叙事的意图已很明确——问题是 Anthropic 和 Google 会以推理质量、还是以多模态、还是以其他方向反击。
AI 速览
