模型:GPT-5.5
| 名称 | GPT-5.5 |
|---|---|
| 厂商 | OpenAI |
| 发布日期 | 2026-04-23 |
| 上下文 | 1M |
| 最大输出 | 128000 |
| 价格 | $5/$30 |
| 定位 | 薛定谔的旗舰 |
一句话点评
发布期登顶第一档的 1M 上下文旗舰，却因 516 截断与静默降级沦为 2026 Q2 最大争议——分数顶天，体感崩坏。
社区反馈 · 编程
两极分化且 harness 依赖严重：SWE-bench 88.7% 领跑、CodeRabbit 精确度 27.9%→40.6%，单文件/Bug 修复「感觉良好」（V2EX）；但 OPQA（OpenAI 内部 20 个真实工程瓶颈）通过率仅 1.7%，而 5.2 Codex 曾达 8.33%——真实调试能力逐代退步（Gregory Terzian 04-25，Medium）。516 截断让 xhigh 复杂编程降智，5 月截断率飙至 53%（issue #30364）。跨 harness 落差巨大：同一 GPT-5.5 在 Cursor SDK 功能正确率 87.2%、原生 Codex 仅 61.5%（Endor Labs 04-27）；掘金 VP 关嘉伟实测「Claude Code 一 compact 半张脸都没了」后转投 Codex 5.5（05-08）。
社区反馈 · 推理
简单/标准推理仍强：MMLU 92.4%、FrontierMath Tier 1-3 51.7%、ARC-AGI-2 85.0%（ARC Prize 官方验证 SOTA）；但需深度推理的任务被 516 截断后骤降——HN 用户 nsingh2 复现同一逻辑题 516 token 必错、6000-8000 token 答对；推理 token 均值从 2 月 268 降至 5 月 107（-60%），社区共识为 serving-side batching bug 而非模型变笨。系统卡里被埋的 OPQA 显示：模型擅长写大段 bash 脚本、却对「诊断隐蔽性能回退」类真实工程问题越来越弱（5.5 的 1.7% vs 5.2 Codex 8.33%）。
社区反馈 · 中文
负面偏多：知乎「怎么在我这跟弱智一样」获大量共鸣，V2EX w568w「听不懂人话」137 回复，并给出实测排名「Opus 4.8 ≈ Opus 4.6 >> Opus 4.7 > GPT 5.5 ≈ MiMo 2.5 Pro >> GPT 5.2~5.4」（06-04）；neteroster 则称「5.5 是执行的神，opus 是规划的神」。正面代表为「24 小时不睡觉的超级实习生」评测（知乎）与「写东西终于没那么 AI 味」（纳米网/钛媒体）；中文创作未见明显退步，问题集中在指令遵循、长会话漂移与静默降级后的体感波动（V2EX 07-24 反映 5.6 上线后 Pro 被切到 5.5-mini）。
升级共识
短任务（单文件修复、代码审查、科学分析）可升级；长程/事实密集型任务建议保留 GPT-5.4 或转其他模型；xhigh 在 516 修复前慎用，改用 high/medium。多数开发者倾向「等 5.6」，但 07-19 出现 Save GPT-5.5 挽留站——5.6 上线后部分用户反而怀念 5.5 的执行能力，社区呈「等 5.6 修好 / 回 5.5」两派。
榜单与实测落差
「分数高、体感差」的集大成案例：SWE-bench 88.7% 登顶、ARC-AGI-2 85.0% SOTA，但 OPQA 真实调试仅 1.7%（逐代退步）、SWE-Bench Pro 仅 +1%、AA-Omniscience 幻觉率 86%。根因不止 516：同一模型在 Cursor SDK 功能正确率 87.2%、原生 Codex 仅 61.5%（Endor Labs，harness 差 26 点）；官方 1M 上下文在 Codex 内实为 400K（社区实测约 258K），用户实际跑的模型/环境与 benchmark 测试并非同一套。缓解：high/medium 档 + 修改系统提示词 + 用 harness 优化层（Cursor > Codex CLI）。
数据来源
本页由仓库 content/models/gpt-5-5.md 初始化。后续修订通过公开审核队列发布。