GPT-5.5登顶AI指数，成本增加但性能领先
GPT-5.5 让 OpenAI 重新坐稳 AI 领域第一的位置。OpenAI 的新模型在 Artificial Analysis 智能指数上以 3 分优势领先，打破了与 Anthropic 和 Google 的三方平局。OpenAI 为我们提供了预发布权限，以测试所有五种推理努力级别：极高、高、中、低和非推理。
➤ OpenAI 在五项评测中领先：GPT-5.5（极高）在 Terminal-Bench Hard、GDPval-AA 以及我们新托管的 APEX-Agents-AA 上领先。该模型在 CritPt 和 AA-LCR 中仅落后于其他 OpenAI 模型，并在另外三项评估中仅次于 Gemini 3.1 Pro Preview。最大的提升来自 AA-Omniscience（+14 分，我们的知识和幻觉基准）和 τ²-Bench Telecom（+7 分，一个客服智能体基准）。
➤ 运行智能指数成本增加 20%：每 token 价格从 GPT-5.4 翻倍至每百万输入/输出 token 5/30 美元。然而，约 40% 的 token 使用量减少基本抵消了涨价——导致运行智能指数的净成本增加约 20%。
➤ 努力级别成为平衡智能与成本的明确阶梯：GPT-5.5（中）在智能指数上的得分与 Claude Opus 4.7（最高）相同，但成本仅为后者的四分之一（约 1200 美元 vs 4800 美元）——尽管 Gemini 3.1 Pro Preview 以约 900 美元的成本达到了相同分数。GPT-5.5（低）在智能指数上接近 Claude Opus 4.7（非推理，高），运行成本约一半（约 500 美元 vs 约 1000 美元）。
➤ GDPval-AA 排名第一，Elo 分数 1785：GPT-5.5（极高）领先 Claude Opus 4.7（最高）约 30 分，领先 Gemini 3.1 Pro Preview 约 470 分。GDPval-AA 是 Artificial Analysis 的基准，利用 OpenAI 的 GDPval 数据集评估模型在实际经济价值任务上的表现。
➤ AA-Omniscience 准确率最高，但在幻觉方面落后于前沿模型：我们的私有 AA-Omniscience 基准奖励跨主题的事实知识，但惩罚幻觉。GPT-5.5（极高）准确率最高，达 57%，意味着该模型比任何其他模型更能有效回忆 Omniscience 语料库中的事实。然而，其幻觉率为 86%，而 Opus 4.7（最高）为 36%，Gemini 3.1 Pro Preview 为 50%。这使得它在不知道答案时更倾向于回答问题。相比 GPT-5.4（极高），AA-Omniscience 提升 14 分主要来自知识增长，幻觉改善不大。
祝贺 OpenAI 团队和 @sama 发布新模型。
➤ OpenAI 在五项评测中领先：GPT-5.5（极高）在 Terminal-Bench Hard、GDPval-AA 以及我们新托管的 APEX-Agents-AA 上领先。该模型在 CritPt 和 AA-LCR 中仅落后于其他 OpenAI 模型，并在另外三项评估中仅次于 Gemini 3.1 Pro Preview。最大的提升来自 AA-Omniscience（+14 分，我们的知识和幻觉基准）和 τ²-Bench Telecom（+7 分，一个客服智能体基准）。
➤ 运行智能指数成本增加 20%：每 token 价格从 GPT-5.4 翻倍至每百万输入/输出 token 5/30 美元。然而，约 40% 的 token 使用量减少基本抵消了涨价——导致运行智能指数的净成本增加约 20%。
➤ 努力级别成为平衡智能与成本的明确阶梯：GPT-5.5（中）在智能指数上的得分与 Claude Opus 4.7（最高）相同，但成本仅为后者的四分之一（约 1200 美元 vs 4800 美元）——尽管 Gemini 3.1 Pro Preview 以约 900 美元的成本达到了相同分数。GPT-5.5（低）在智能指数上接近 Claude Opus 4.7（非推理，高），运行成本约一半（约 500 美元 vs 约 1000 美元）。
➤ GDPval-AA 排名第一，Elo 分数 1785：GPT-5.5（极高）领先 Claude Opus 4.7（最高）约 30 分，领先 Gemini 3.1 Pro Preview 约 470 分。GDPval-AA 是 Artificial Analysis 的基准，利用 OpenAI 的 GDPval 数据集评估模型在实际经济价值任务上的表现。
➤ AA-Omniscience 准确率最高，但在幻觉方面落后于前沿模型：我们的私有 AA-Omniscience 基准奖励跨主题的事实知识，但惩罚幻觉。GPT-5.5（极高）准确率最高，达 57%，意味着该模型比任何其他模型更能有效回忆 Omniscience 语料库中的事实。然而，其幻觉率为 86%，而 Opus 4.7（最高）为 36%，Gemini 3.1 Pro Preview 为 50%。这使得它在不知道答案时更倾向于回答问题。相比 GPT-5.4（极高），AA-Omniscience 提升 14 分主要来自知识增长，幻觉改善不大。
祝贺 OpenAI 团队和 @sama 发布新模型。