GPT-5.5 发布：自 GPT-4.5 之后首次完整重训，100 万 token 上下文，涨价一倍
gpt-5-5openai模型发布api-accessbenchmark

GPT-5.5 发布：自 GPT-4.5 之后首次完整重训，100 万 token 上下文，涨价一倍

先说结论 — 这次 GPT-5.5 的版本号是 0.1 的跳跃，但底层是自 GPT-4.5 之后第一次重训的基座模型，所以实际能力的变化比版本号暗示的要大。Terminal-Bench 2.0 拿到 82.7%，Artificial Analysis 的 Intelligence Index 榜首，价格翻倍到 $5/$30。ofox 已经上线，把 model ID 换成 openai/gpt-5.5 就能用。

这次 OpenAI 到底动了什么

官方宣告里反复强调的一点：这是自 GPT-4.5 以来第一次完整重训的基座模型。中间的 5.1、5.2、5.3、5.4 都是基于同一个底模做后训练迭代出来的——这次不是。架构、预训练语料、训练目标全换了。

训练目标的变化比架构更值得注意。GPT-5.5 被明确定位为一个 agent 模型——OpenAI 的原话是”模型会执行一连串动作、调用工具、自检、持续推进直到任务完成”，过程中不需要人在每个环节重新 prompt。

简单说：前几代是”对话大模型+工具能力”，GPT-5.5 是”agent 基座+对话能力”，训练目标的优先级颠倒了。

两个变体，价格差 6 倍

变体API model ID上下文输入 / 输出（每百万 token）
GPT-5.5 Thinkingopenai/gpt-5.51M（Codex 内 400K）$5 / $30
GPT-5.5 Proopenai/gpt-5.5-pro1M$30 / $180

Thinking 是默认版，替代的是 ChatGPT 里的 GPT-5.4。Pro 是高精度变体，贵 6 倍，换来几个百分点的可靠性提升——是否值得取决于你的任务。

Batch / Flex 价格是标准的一半，和 5.x 系列其他型号一致。

Benchmark：哪里领先，哪里并没有

OpenAI 这次放出了完整的对比图，数据本身可以直接看：

GPT-5.5 官方 benchmark：vs GPT-5.4、Claude Opus 4.7、Gemini 3.1 Pro

来源：OpenAI 官方 benchmark，2026 年 4 月 23 日

最显眼的几个数字：

BenchmarkGPT-5.5 ThinkingGPT-5.4 ThinkingOpus 4.7Gemini 3.1 Pro
Terminal-Bench 2.0（终端 agent）82.7%75.1%69.4%68.5%
GDPval（知识工作）84.9%83.0%80.3%67.3%
OSWorld-Verified（Computer Use）78.7%75.0%78.0%—
BrowseComp（Pro 变体）90.1%89.3%79.3%85.9%
FrontierMath Tier 4（Pro 变体）39.6%38.0%22.9%16.7%
CyberGym（漏洞复现）81.8%79.0%73.1%—

Terminal-Bench 2.0 的 13 分领先是最显眼的——这个 benchmark 直接衡量”模型能否在沙盒终端里独立完成一连串命令行任务”，正好是 agent 训练目标的核心场景。

GDPval 是 OpenAI 自己提的经济价值评测，覆盖 44 种知识工作职业的典型任务输出，84.9% 说明 GPT-5.5 在”交付可用成果”这个层面，比上一代又前进了一步。

Artificial Analysis 的 Intelligence Index 上，GPT-5.5（xhigh）拿了 60，领先 Claude Opus 4.7 和 Gemini 3.1 Pro Preview（两者并列 57）3 分，结束了此前三家平分榜首的局面。

但有些指标 GPT-5.5 并没赢

第三方聚合了一份更诚实的横评：

GPT-5.5 vs Opus 4.7 第三方 benchmark 横向对比，覆盖 agent 编码和推理多项评测

来源：社区 benchmark 聚合，2026 年 4 月 23 日

诚实地说：

  • SWE-Bench Pro：Opus 4.7 拿 64.3%，GPT-5.5 只有 58.6%——这个 benchmark 最接近”读完一个真实开源项目的代码，修掉一个 GitHub issue”的场景。Opus 赢得明显。
  • SWE-Bench Verified：Opus 4.7 87.6%，GPT-5.5 这次没跑（OpenAI 的对比里是一格横线）。
  • MCP-Atlas（大规模工具调用）：Opus 4.7 77.3% vs GPT-5.5 75.3%。
  • 多语言 Q&A（MMMLU）：83.2%——比 Opus 4.7（91.5%）和 Gemini 3.1 Pro（92.6%）都落后一大截，对中文场景尤其值得注意。
  • 金融 agent（Finance Agent v1.1）：Opus 4.7 64.4% vs GPT-5.5 61.5%。

规律很清楚。GPT-5.5 赢的是规划 + 执行类任务——终端、工具调用、Computer Use、长周期编码。Opus 4.7 赢的是读懂代码库并修复类任务——SWE-Bench、MCP-Atlas、多语言理解。两者不在同一个维度上竞争，按任务选，不要按榜单选。

幻觉率：一个不该被遮住的数字

在换掉 GPT-5.4 之前，有一个数字值得单独拎出来看：Artificial Analysis 的 AA-Omniscience benchmark 上，GPT-5.5（xhigh）拿到了有记录以来最高的准确率 57%——但同时也拿到了最高的幻觉率 86%。作为对比，Opus 4.7（max）幻觉率 36%，Gemini 3.1 Pro Preview 50%。

这不是矛盾。AA-Omniscience 衡量的是”模型说出自信的错误答案”的频率。GPT-5.5 知道的时候答得更准，但不知道的时候更愿意编——而不是停下来说”我不确定”。对会自己评估结果的 agent 工作流，这是个实打实的风险：一个自信的错误动作比一次”我要再确认一下”代价大得多。

合规、引用生成、事实问答这类对幻觉零容忍的场景，换之前一定要跑自己的数据集验证。

价格：单 token 价格翻倍

GPT-5.4 是 $2.50 / $15，GPT-5.5 是 $5 / $30。单 token 直接 2×，是 GPT-5.x 系列里单次发布最大的一次涨幅。

OpenAI 的理由是 token 效率：GPT-5.5 在 Codex 任务上用的 token 数明显少于 5.4。Artificial Analysis 的实测显示，跑完整套 Intelligence Index，token 总量减少约 40%，所以实际每次 Index 评测的费用只涨了约 20%。

这样算下来 GPT-5.5 仍然比 Opus 4.7 便宜：按 AA 的测算，GPT-5.5（medium）能用 Opus 4.7（max）四分之一的钱，拿到相同的 Intelligence Index 分数（约 $1,200 vs $4,800）。Gemini 3.1 Pro Preview 在同样分数下约 $900，所以 GPT-5.5 不是成本冠军，但也没掉队。

但是——短 prompt、高并发的场景下这 2× 是真金白银的涨价。如果你的业务是每天几百万次短对话，不要无脑升级，先算一笔账。

1M 上下文，Codex 里是 400K

API 的 Responses 和 Chat Completions 接口都给 1M。Codex 里只给 400K。为什么差这么多？

Codex 在内部跑着大量并行的 agent 会话，400K 是吞吐量和成本的权衡，不是能力的上限。如果你要一次性塞进一个中型代码库的全部源码 + 一年的 commit history + 文档，用 API，别用 Codex。

另外 1M 是真的很贵。按 $5/M 输入算，塞满整个窗口一次就是 $5——还没开始 output。长上下文是给真正需要它的任务用的工具，不是默认开关。

社区怎么看

发布一天内的开发者反馈，几个反复出现的判断：

  • “这次跳跃比 5.4 → 5.5 听起来大”。因为是底模重训，实际能力差距比版本号暗示的大。HN 上不止一个评论指出这才是真正的故事。
  • “Terminal-Bench 不等于 SWE-Bench”。VentureBeat 的报道指出：Terminal-Bench 2.0 的领先是真的，但相对 Anthropic 未发布的 Mythos Preview（82.0%）只有窄幅优势，不要把单一 benchmark 的领先当做全方位超越。
  • “涨价会劝退一批 Plus 用户”。发布时 Plus 用户被限制为每周 200 条 GPT-5.5 消息，Reddit 上多条讨论把这看作 ChatGPT 端实际体验的降级。

社区的综合观感：能力提升是真实的，agent 场景尤其明显，但不是无脑升级。短 prompt、紧预算的场景下，GPT-5.4 还会继续活很久。

通过 ofox 使用

发布当天 ofox 已经上线，如果你已经在用 ofox，一行改动：

from openai import OpenAI

client = OpenAI(
    api_key="sk-of-your-api-key",
    base_url="https://api.ofox.ai/v1"
)

response = client.chat.completions.create(
    model="openai/gpt-5.5",
    messages=[{"role": "user", "content": "把这个服务重构成用 structured tool calls"}]
)
print(response.choices[0].message.content)

Pro 变体同一个端点：

response = client.chat.completions.create(
    model="openai/gpt-5.5-pro",
    messages=[{"role": "user", "content": "追查所有消费者里这个 race condition 的路径"}]
)

还没有 ofox key？去 ofox.ai 注册——一个 key 直通 GPT-5.5、Claude、Gemini、Kimi 等所有主流模型。

升不升级，分场景决定

目前在生产上跑 GPT-5.4：

Agent 工作流（多步工具调用、终端自动化、浏览器操作、Computer Use）——升级。Terminal-Bench 和 OSWorld 的差距大到值得切。

长上下文分析（代码库、财报、研究文献）——为 1M 窗口升级，但先把预算算清楚。

代码库级别的修复任务——先测再说。SWE-Bench Pro 显示 Opus 4.7 可能仍然是更好的选择。

高并发、对延迟敏感的短对话——留在 5.4。GPT-5.4 短期不会下线，单次调用便宜一半。

幻觉零容忍的场景（事实问答、引用生成、合规）——先在自己数据集上跑回归。86% 的 AA-Omniscience 幻觉率不是可以忽略的信号。

延伸阅读

相关文章

DeepSeek V4 发布：1.6T 开源 MoE，1M 上下文，Apache 2.0——价格只有 GPT-5.5 的零头

GPT-Image-2 发布：Arena 榜碾压第二名 242 分，中文文字和 100 物体场景真的离谱 | ofox 已接入

Claude/OpenAI/Gemini/DeepSeek 模型特定报错排查手册（2026）

← 返回文章列表