GPT-5.5

OpenAI的全部模型 →国外视觉模型综合智力第 8 名

综合智力全球第 8，天价、会看图

查看评测视频查看评测文章

聪明世界#8

编程顶尖

记性1.1M

便宜$30

记性换算成体感：一次能读完《哈利·波特》全七部

GPT 系列的视觉模型 · 按发布时间

共 46 个 · 这里是相邻的 7 个 · OpenAI的全部模型 →

他的房间

电脑

80.6% · SWE-bench Verified · Epoch AI 统一复跑

书架

5 层 · 记忆 1.1M tokens

黑板

数学与科学推理

日历

知识停在 2025-12-01

冰箱

支持上下文缓存，能存记忆

门禁

闭源，权重不公开

身世

发布日期: 2026 年 4 月 23 日models.dev
知识截止: 2025-12-01
参数量: 体型为估算值，官方从未公布参数量
开放权重: 否
开源许可: 暂无数据
上下文窗口: 1.1M tokens
单次最大输出: 128K
输入价格: $5.00 / 百万 tokens
输出价格: $30 / 百万 tokens
模型类型: 视觉除了文字还能看图片或视频，输出文字
支持的输入: 图像、文件、文字 → 文字
工具调用: 是
深度思考: 是
提示缓存: 是

战绩

综合智力: 159.1
AIME 数学: 84.4%
GPQA Diamond 科学: 90.7%
ARC-AGI-2 抽象推理: 85.0%
Fiction.liveBench 长文本: 未参评

综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录，不代表它做不到——本站不会用估算值填补空缺。

编程战绩（按赛制分列）

SWE-bench Verified80.6%
从真实 GitHub 仓库里挑出的 500 个 issue，看模型能不能提交出通过测试的补丁。业界最通行的编程标尺。这一列由 Epoch AI 用统一脚手架复跑。第三方实测
https://epoch.ai/benchmarks
SWE-Bench Pro58.6%
同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。厂商自报
https://www.anthropic.com/news/claude-opus-4-8
DeepSWE67.0%
SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测
https://deepswe.datacurve.ai/
Terminal-Bench82.7%
把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报
https://openai.com/index/introducing-gpt-5-5/
Terminal-Bench 2.084.7%
Terminal-Bench 的第二代题库，任务更长更杂。与 1.0 的分数不可直接比较。第三方实测
https://epoch.ai/benchmarks
CursorBench58.4%
在真实 IDE 里做代码编辑的测试，题目来自 Cursor 收集的实际使用场景。第三方实测
https://cursor.com/cursorbench
LiveBench 智能体编程54.0%
LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测
https://livebench.ai/#/?release=2026-06-25
FrontierCode43.0%
Cognition 出的高难度代码题集，面向前沿模型。第三方实测
https://cognition.com/frontiercode
LiveBench 编程分项82.2%
LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测
https://livebench.ai/#/?release=2026-06-25
ALE-Bench1943
AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测
https://epoch.ai/benchmarks
GSO37.3%
代码性能优化测试：在保持功能不变的前提下把真实项目跑得更快。第三方实测
https://epoch.ai/benchmarks
SWE-Atlas 代码库问答45.4%
给模型一个陌生的大型代码库，问它这段代码在干什么。考的是读代码，不是写代码。第三方实测
https://labs.scale.com/leaderboard/sweatlas-qna
SWE-Atlas 重构44.8%
在不改变行为的前提下重构已有代码。第三方实测
https://labs.scale.com/leaderboard/sweatlas-refactoring
SWE-Atlas 写测试42.6%
给已有代码补写测试用例。第三方实测
https://labs.scale.com/leaderboard/sweatlas-tw
MirrorCode10.0%
Epoch AI 自测的一项代码评测。第三方实测
https://epoch.ai/benchmarks
WebDev Arena1508 Elo
让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测
https://epoch.ai/benchmarks

这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。

全部成绩（按榜单分列）

名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。

综合

综合智力159.1第 8 / 208
Epoch Capabilities Index，把十几项学术评测归并成一个总分。想知道「谁最强」，先看这一栏。第三方实测
https://epoch.ai/benchmarks
SimpleBench69.0%第 12 / 103
一套普通人能轻松答对、模型却常常答错的常识题。分数越高越少犯「一看就傻」的错。第三方实测
https://lmcouncil.ai/benchmarks

数学

FrontierMath85.3%第 8 / 99
由职业数学家出的原创难题，连数学博士都要花几小时甚至几天。分数是解出的比例，能过一成就是前沿水平。第三方实测
https://epoch.ai/frontiermath
FrontierMath（旧版）51.7%第 2 / 95
FrontierMath 2025 年初的版本，已被新题库取代。留作历史对照。第三方实测
https://epoch.ai/frontiermath
FrontierMath 第四层72.5%第 7 / 71
FrontierMath 里最难的一层，研究级别的问题，绝大多数模型接近零分。第三方实测
https://epoch.ai/frontiermath
FrontierMath 第四层（旧版）35.4%第 2 / 66
FrontierMath 第四层 2025 年中的版本，已被新题库取代。第三方实测
https://epoch.ai/frontiermath
AIME 数学84.4%第 80 / 191
美国高中数学邀请赛难度的模拟题，是数学竞赛能力的通行标尺。答对比例，满分 100。第三方实测
https://epoch.ai/benchmarks
ProofBench50.0%第 21 / 79
不是算出答案，而是写出完整证明并由人评判。考的是数学推理的严谨程度。第三方实测
https://www.vals.ai/benchmarks/proof_bench

知识与推理

GPQA 科学90.7%第 36 / 197
博士级别的物理、化学、生物选择题，题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测
https://epoch.ai/benchmarks
ARC-AGI-285.0%第 6 / 108
看几组图形样例找规律的智力题，人类轻松、模型艰难。专门测「没见过的题会不会做」。第三方实测
https://epoch.ai/benchmarks
ARC-AGI（第一代）95.0%第 10 / 107
ARC-AGI 的第一代题库，已被第二代取代。第三方实测
https://arcprize.org/
SimpleQA 事实问答63.0%第 12 / 97
一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测
https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
深度研究54.0%第 5 / 38
给一个开放的研究课题，让模型上网查资料写出报告，由人评质量。第三方实测
CritPt 物理27.1%第 9 / 163
研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
WeirdML84.9%第 6 / 146
一批刻意古怪的小型机器学习任务，模型要自己写代码训练并拿到成绩。考的是解决陌生问题的能力。第三方实测
https://htihle.github.io/weirdml.html

智能体

OSWorld 2.013.0%第 5 / 9
OSWorld 的第二代题库，任务更长更杂，与第一代分数不可直接比较。第三方实测
https://osworld-v2.xlang.ai/
经营售货机$7,524第 8 / 89
Vending-Bench：让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱，考的是长期不犯糊涂。第三方实测
https://andonlabs.com/evals/vending-bench
APEX 专业任务38.5%第 10 / 77
投行、律所、咨询公司的真实工作任务，由业内专家出题与评分。第三方实测
远程工作指数6.3%第 3 / 18
Remote Labor Index：从自由职业平台上取的真实外包项目，看模型能独立交付多少。分数普遍很低，说明离「替代远程工作者」还远。第三方实测
ExploitBench47.4%第 1 / 9
给一个真实的软件漏洞，看模型能不能写出利用代码。安全评测，不是日常能力。第三方实测
PostTrainBench27.2%第 8 / 11
让模型自己去微调一个更小的模型，考的是「会不会炼丹」。第三方实测
BlueprintBench36.2%第 3 / 29
看房屋照片画出平面图，测空间理解与工程绘图能力。第三方实测
https://andonlabs.com/evals/blueprint-bench-2
Surface Evolver88.1%第 4 / 30
用一款专业的曲面数值软件完成计算任务，考的是驾驭陌生专业工具的能力。第三方实测
https://yhenon.github.io/surface-evolver-llm-eval/

长文本

CL-bench 生活版22.2%第 1 / 29
CL-bench 的日常生活场景分支。第三方实测

多模态

GBA 游戏评测53.2%第 6 / 23
看画面操作掌机游戏，测的是视觉理解加实时决策。第三方实测
https://gbaeval.com/model/gpt-5-5

游戏与谜题

国际象棋残局26.0%第 43 / 156
给一个棋局找出最佳着法。分数是解对的比例，随机乱走约 5 分。第三方实测
https://epoch.ai/benchmarks/chess-puzzles
推理游戏谜题56.0%第 5 / 91
Epoch 自建的一组推理小游戏，测的是在规则未知的环境里摸索规律。第三方实测
https://epoch.ai/benchmarks
EBR-bench34.3%第 6 / 27
Epoch 自建的一项评测，具体口径以 Epoch 榜单页说明为准。第三方实测
https://epoch.ai/benchmarks

其他

Dtbench96.0%第 6 / 198
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/dtbench
Frontiermath Erdos0.0%第 2 / 5
Epoch AI 收录的评测，暂无中文说明。第三方实测
Lmca54.3%第 7 / 183
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/lmca

B 站上的 GPT-5.5 实测6 个视频

在 B 站搜「GPT-5.5 测评」↗

以上为 B 站搜索结果，按播放量排（站长的视频置顶），内容由各 UP 主提供，不代表本站观点。